深圳具身智能企业越疆空弈DobotWAM具身大模型，LIBERO评测第一、排名第一

越疆正式发布自研世界动作模型空弈DobotWAM具身大模型。在具身智能标准评测基准LIBERO上哈尔滨炒股配资，空弈DobotWAM具身大模型分别完成LIBERO-Spatial、LIBERO-Object、LIBERO-Goal和LIBERO-10四个标准任务套件，覆盖空间关系理解、物体泛化、目标指令理解以及长时序任务执行等关键能力维度，平均成功率达99.25%，领先于π0.5、π0、GR00T-N1.5、π0+FAST等公开模型，以及行业内已有数据公布的其他模型结果。

其中，空弈DobotWAM具身大模型在LIBERO-Object上实现100/100全部成功，在Spatial、Goal和LIBERO-10三个套件中均达到99/100。

元股证券:ygzq.hk

此次LIBERO的表现，标志着越疆已跻身具身智能行业头部。这并非偶然，而是源于公司近三年完成从协作机器人到具身智能的产品战略升级。基于对机器人“身体”操作能力的深刻理解，空弈DobotWAM具身大模型形成了独特的具身优势。

具身智能的下一站，不是更好看的演示，而是真实可用的现场执行能力。过去，机器人演示多以预设轨迹的舞蹈、翻跟头为主，好看却离生产很远；如今，越疆将焦点拉回插接、抓取、对准等高精度接触作业，让具身智能真正走向可用、可靠、可落地，引领行业向具备真实操作能力、可落地复用的方向前进。

机器人走向真实应用，真正的挑战不再是“识别物体”，而是在动态、多变的开放场景中，理解空间关系、拆解任务目标、生成符合运动结构的动作，并在多步执行中始终保持全局一致。

近两年，视觉—语言—动作模型成为具身智能动作生成的主流范式，在数据覆盖充分、任务边界清晰的场景下展现了较高效率。然而，过度依赖二维图像模式或离线轨迹模仿，在面对空间扰动、物体变化、长流程任务和真实接触反馈时，仍容易出现动作漂移、目标丢失，或局部动作正确而整体任务失败的情况。这要求机器人模型必须超越单纯的“模仿”，建立起对动作深层次结构的真正理解。

空弈DobotWAM的高成功率，源于其在感知、理解、控制与数据闭环上的系统性设计。模型在视觉—语言—动作建模的基础上，进一步引入三维空间理解、机器人运动几何约束和真实数据闭环机制，使机器人不仅学会“模仿动作”，更学会“理解动作为什么这样做”。

其核心技术突破包含四个方面：

· 3D-Aware Spatial Representation：将3D空间信息引入视觉—语言—动作建模，使模型不只依赖2D图像纹理和像素特征，能够显式感知物体位置、空间关系与操作目标之间的几何结构，具备更强的泛化能力。

· Joint Dynamic Geometry Loss：将机器人关节动态信息与末端执行器几何约束融入训练loss，使模型从“模仿动作”升级为“理解真实动作结构”，从而减少轨迹漂移、姿态不连续和抓取失败，提升长时序任务中的执行稳定性。

· Advanced VLM Task Decomposition：基于高级VLM backbone对复杂语言指令进行语义理解与任务拆解，将长流程操作分解为更清晰的阶段目标和可执行子步骤，避免局部动作正确但全局任务失败。

· High-Quality Data Flywheel + Real-Robot Recap：构建高质量数据飞轮，以Recap真机实验为核心，闭环采集、训练、评测与反馈，持续吸收成功、失败及长尾场景的真实经验，提升从仿真benchmark到真实环境执行的迁移能力。

这四项技术彼此耦合，使得空弈DobotWAM能够更稳定地完成多物体、多阶段、长时序的机器人操作任务，为具身智能的大规模落地提供了可复用的系统性框架。

以多场景任务分类抓取、插充电器和插笔帽三项典型任务为例。它们看似日常，实则是高精度接触作业，要求模型不仅要识别目标物体的位置，还需理解插头与插座、笔身与笔帽之间的空间关系，并连续完成对准、接近、插入和闭合等动作，直接考验小目标定位与姿态估计、强几何约束下的末端控制以及接触过程中的稳定执行与误差修正三项关键能力。