2月10日，原力灵机首场技术开放日重磅发布全球首个具身原生大模型 DM0、具身原生开发框架 Dexbotic 2.0、以及具身原生应用量产工作流 DFOL。
“2026 年不是具身智能的元年，而是具身原生的元年。”原力灵机CEO唐文斌在现场表示：“过去大家在争论用哪个大模型来改，我们直接跳出这个问题——为什么要改？为什么不从第一行代码就为机器人而写？”
01.
全球首个具身原生大模型 DM0，2.4B 参数量登顶全球真机评测
“具身智能和大模型最大的不一样，就是要真真切切和物理世界打交道。大模型说错话顶多是幻觉，但具身模型要是做错动作，可能会摔碎碗、造成意外，责任和后果都要严重得多。”原力灵机合伙人周而进表示，具身模型的设计从一开始就必须考虑因果责任，而具身原生正是DM0模型的最重要的研发准则。
具身原生模型DM0论文下载地址：https://dexmal.com/DM0_Tech_Report.pdf
行业内对具身数据采集有很多分歧，有人偏爱仿真，有人执着真机，但原力灵机认为，关键不在于采集方式，而在于环境本身，环境的复杂程度、规则清晰度，直接决定了数据采集的方案和质量。“就像下围棋，规则清晰，数据本质上就是算力，靠仿真和强化学习就能探索出好策略；但要是让机器人收拾会议室，收拾干净的标准模糊，数据就必须靠复现人类经验来获取。”周而进解释道。
基于这套逻辑，原力灵机提出“环境的熵在哪，数据就采向哪”。对于导航这类规则清晰的任务，团队大规模采集3D扫描场景，通过3D重建和仿真器做强化学习；对于抓取、全身控制这类模糊任务，就靠大量真机采集数据，还把设备推到真实场景中，靠场景多样性提升模型泛化能力。
DM0 具有两大优势：
一是从0开始训练的具身原生大模型，联合阶跃星辰联合训练，除了深度融合多模态互联网信息外，还涵盖驾驶行为数据、机器人操作、导航等具身场景特有的多传感数据。
二是 DM0 没有把模型限制在单一硬件或特定场景，而是在预训练阶段系统混合抓取、导航、全身控制3类核心任务，并覆盖 UR、Franka、ARX、UMI、Aloha、R1-Lite、Realman、DOS-W1 等8种差异显著的机型，获得强跨机型的泛化与迁移能力。
这样的设计让DM0实现了"小参数、高性能"的突破，仅2.4B参数量，却在RoboChallenge榜单获得单任务与多任务双项第一，目前位居榜单全球第一。
更值得一提的是，它支持728x728的高分辨率输入，解决了行业内主流模型224-384分辨率在精细操作中容易偏差的问题，实时推理延迟仅 60ms，在工业精细操作中表现突出。并且，DM0模型能在4090、5090等消费级显卡上做二次开发，大大降低了科研和产业端的使用门槛。
此外，DM0与真机强化学习具备高度适配性，叠加真机强化学习后，复杂灵巧操作的完成率能实现明显提升。这也意味着，该模型并非停留在实验室阶段，而是具备了向真实场景落地的核心能力。
02.
夯实具身基础设施 Dexbotic 2.0 打造具身智能的 PyTorch
基础设施是技术迭代效率的根本，也是一家AI公司真正的竞争力，原力灵机重磅发布全球首个具身原生开发框架Dexbotic 2.0。原力灵机合伙人汪天才表示，"PyTorch让每个研究者都能快速验证想法，Dexbotic 2.0要做的是同样的事——让每个开发者都能用乐高式的方式搭建自己的具身应用。"
Dexbotic2.0五大核心优势：
模块化架构，将具身智能系统拆成三块可自由组合的“乐高模块”，V（Vision encoder）、L（LLM）、A(Action Expert)模可以独立升级、替换和混搭，便于快速试验新模型，并适配不同硬件和任务场景。
二是全面支持多源数据混合训练，用同一套训练过程，让模型同步学会“看懂世界”和“动手操作”；
此外，Dexbotic 2.0还实现统一具身操作与导航、统一模仿学习与强化学习、标准化具身开发全流程，从“数据—训练—评测—硬件”四个环节形成闭环。
其中在统一模仿学习与强化学习方面，Dexbotic 2.0 构建了 “Foundation + Evolution” 的两段式训练范式，先通过VLA 预训练和微调，从多源数据中学习通用操作，形成基础能力。之后再通过强化学习针对复杂任务持续优化，提升实际场景中的稳定性与可靠性。这种设计模式能够有效降低对标注数据的依赖，同时让机器人更快掌握技能、更稳定完成任务，为真实环境下的精细操作提供了更成熟的技术方案。
目前，Dexbotic已经服务数十家机构，包括清华、北大、普林斯顿、帝国理工等知名企业，以及腾讯、北京具身智能机器人创新中心等知名企业，覆盖超千位研发者。
正如 PyTorch 曾为深度学习社区提供统一、开放的基础设施，加速整个领域的繁荣，原力灵机联合清华大学、无问芯穹，共同宣布打造具身智能的 PyTorch，Dexbotic 2.0与强化学习框架 RLinf 达成战略合作，通过降低开发门槛，让研究者与开发者专注于算法创新与场景突破。
03.
规模化落地：破解工程痛点 DFOL解锁具身应用量产工作流
在夯实具身原生技术底座、打造基础设施降低开发门槛的基础上，原力灵机进一步推动机器人走进工厂，实现具身规模化场景落地，原力灵机发布具身应用量产工作流 DFOL（Distributed Field Online Learning）。核心是通过“硬件通用+模型智能”的模式，使机器人既能保持较高效率与确定性，又拥有接近人类的灵活性和适应性。
DFOL 关键创新在于数据回流机制：现场产生的训练片段（episode）与负样本块（negative chunk）实时回传云端，形成“云端训练-现场执行-数据回流-模型更新”的持续进化闭环，使系统能够在真实工作环境中不断自我改进，实现柔性生产力的持续优化。
这不仅是一次技术升级，更是创造真实商业价值的关键一跃，有利于打破非标自动化与人工的边界，推动物理智能真正走向规模化和普惠化。
04.
2026年是具身智能真应用涌现之年 物流分拣是首个落地突破口
对于商业化，原力灵机一直保持着清醒的认知。联合创始人范浩强表示，“整个具身智能产业在2026年肯定还实现不了商业化闭环，这是业界共识。2025年更多是概念试点，而2026年将是真应用的涌现之年，会有更多真实能用的案例出现，但还没到规模化起量的阶段。”
目前，原力灵机的业务主要分为两块：一是端到端的解决方案，聚焦工业和物流领域，围绕仓库、上下产线等场景，为客户提供算法、硬件和系统实施的一体化服务；二是科研产品，比如展会上发布的数采机型，和开源理念一致，希望分享硬件设计能力，促进行业发展。
“我们不做单纯的搬箱子业务，因为目前AGV小车已经做得很好了。”范浩强透露，原力灵机的第一个落地突破口是多物料混合分拣，这是具身智能的真应用，客户需求也非常明确。此外，物流领域的打包、扫码等高度非标、依赖人工的环节，也是重点布局方向。
原力灵机CEO唐文斌强调，商业化的核心是“给客户创造可衡量、可计算的价值”。“要么降本，要么增效，要么提升体验，否则这个商业模式很难持续。”
在场景选择上，原力灵机有自己的标准：必须满足错误容忍、时间容忍、泛化场景、长时间作业四个条件。“今天的技术还做不到100%成功，所以需要客户允许犯错；而且非标场景用传统自动化方案成本高，才适合具身智能发挥优势。”唐文斌说。
05.
基建开源+模型自研，原力灵机的长期目标是做机器人产品公司
具身智能企业不能只做模型和框架，长期来看还是要做机器人本体，这也是原力灵机给自己的定位，其长期目标是成为一家机器人产品公司，打造智能、有用、可信赖的机器人。而支撑这一目标的，是基础设施开源+核心模型自研+解决方案落地的三层布局。
在基础设施层面，原力灵机坚持开源策略。RoboChallenge测试平台、Dexbotic2.0框架等核心基建均对外开源，团队认为，开源不仅能降低行业开发门槛，还能收到更多的行业反馈，形成研发的正向循环。范浩强表示，偏精模、偏训练的基建环节会长期开源，而针对具体客户、具体任务的模型和数据则不会开源，最终交付给客户的，仍是软硬一体的端到端解决方案。
唐文斌表示，基础设施是算法公司的核心竞争力，原力灵机内部打造的数据、训练、推理、硬件、评测全链路基建，让其模型迭代速度大幅提升。而将内部基建对外输出，也是希望能推动整个具身智能行业的发展。
而在机器人产品的打造上，原力灵机强调有用和可信赖。所谓有用，是指机器人必须能创造可衡量的价值，而非单纯的展品；所谓可信赖，既包括物理层面的稳定性，也包括心理层面的安全感，让用户愿意将任务交给机器人。
2026年，原力灵机将加速探索商业化进程，重点推进物流、工业场景的客户价值验证，同时持续迭代模型与框架。从 DM0 打破行业 “改模型” 的路径依赖，以 2.4B 参数量登顶全球真机评测榜首，到 Dexbotic 2.0 联合 RLinf 立志扛起具身智能的 “PyTorch” 大旗、破解研发壁垒，再到 DFOL 攻克工程化难题、打通技术落地与商业化闭环，原力灵机接连抛出的 “三枚重磅炸弹”，正从底层对具身智能产业进行全方位重构。
