全球具身智能領(lǐng)域迎來重要突破——高德正式宣布全量開源ABot-M0，這是全球首個基于統(tǒng)一架構(gòu)的機器人具身操作基座模型。該模型通過構(gòu)建"通用大腦"系統(tǒng)，實現(xiàn)了對多種形態(tài)具身機器人的適配能力，為行業(yè)提供了可復用的技術(shù)基座。

在權(quán)威基準測試中，ABot-M0展現(xiàn)出顯著優(yōu)勢。該模型在Libero-Plus測試中取得80.5%的任務(wù)成功率，較前代標桿方案Pi0提升近30個百分點。在RoboCasa等國際主流測試平臺同樣達到SOTA（最優(yōu)技術(shù)水平），驗證了其跨場景操作能力的可靠性。測試數(shù)據(jù)顯示，模型在復雜環(huán)境下的物體抓取、路徑規(guī)劃等核心任務(wù)中表現(xiàn)尤為突出。

開源體系涵蓋三大核心維度：數(shù)據(jù)層面構(gòu)建了全球規(guī)模最大的UniACT通用機器人數(shù)據(jù)集，整合超過600萬條真實操作軌跡，通過統(tǒng)一動作表示體系破解異構(gòu)數(shù)據(jù)兼容難題；算法層面創(chuàng)新提出動作流形學習（AML）與雙流感知架構(gòu)，前者通過直接生成物理可行動作序列提升解碼效率，后者通過3D幾何模塊與視覺語言模型（VLM）的協(xié)同工作增強空間理解能力；模型層面提供完整的預訓練框架與工具鏈，支持工業(yè)場景的機械臂操作與家庭服務(wù)機器人的移動導航等多樣化應(yīng)用。

技術(shù)突破集中體現(xiàn)在兩大創(chuàng)新算法。動作流形學習（AML）突破傳統(tǒng)試錯式預測模式，通過構(gòu)建動作空間流形結(jié)構(gòu)實現(xiàn)高效解碼，使策略穩(wěn)定性提升40%以上。雙流感知架構(gòu)采用模塊化設(shè)計，在保持Qwen3-VL骨干網(wǎng)絡(luò)不變的前提下，通過可插拔的3D幾何模塊（如VGGT）注入空間先驗知識，有效彌補視覺語言模型在三維推理方面的不足。這種設(shè)計既保證了高級語義理解能力，又強化了物理空間感知精度。

該模型的開源具有顯著產(chǎn)業(yè)價值。統(tǒng)一架構(gòu)驗證了"通用大腦+專用軀體"技術(shù)路線的可行性，為制定行業(yè)技術(shù)標準提供實證依據(jù)。開發(fā)者可基于預訓練模型快速構(gòu)建垂直領(lǐng)域解決方案，避免重復開發(fā)訓練框架。數(shù)據(jù)集提供的標準化處理管線，使不同廠商的機器人數(shù)據(jù)能夠跨平臺復用，預計可將預訓練周期縮短60%以上。目前已有多家機器人企業(yè)啟動基于ABot-M0的二次開發(fā)，涵蓋智能制造、物流倉儲、醫(yī)療護理等多個領(lǐng)域。