刚刚，Dexbotic开源！VLA性能+46%，机器人叠盘子100%成功，统一具身智能底座

刚刚，这个开源的VLA一站式平台，不仅让UR5e真机实现了100%成功率，还在五大仿真环境中全面领先，最高性能提升高达46%，而且还支持RTX 4090训练！

现在的机器人是真的有点「卷啊」！

随手搜了下，全球的机器人「型号」也太多了吧。

全球具身智能领域的机器人型号和形态，也已经远远不止图中这些。

但不管机器人怎么设计，当下具身智能的核心能力都是视觉—语言—动作（VLA，Vision-Language-Action）模型。

可以说，VLA是具身智能的关键一步。

但是VLA技术发展迅猛的同时，却面临诸多的挑战。

比如，VLA技术分散化严重，有太多框架和模型可选；研发流程繁琐，算法对比评测耗时耗力，并且欠缺公平性；VLA研发无法快速使用最新VLM进行迭代等等。

目前国内外的解决方案，更多是在数据层、模型层和仿真层各自进行统一化尝试，比如：

• 数据层：Open-X Embodiment用统一格式聚合了22种机器人、百万级真实轨迹；LeRobot推出标准化数据格式/工具链，方便采集与共享。

• 模型层：OpenVLA 7B号称在多机型操控上达SOTA，并支持LoRA/量化与多数据混合。

最近，由Dexmal 原力灵机重磅开源的Dexbotic，则构建了一个「VLA统一平台」。

Dexbotic作为具身智能VLA模型一站式科研服务平台，可以为VLA科研提供基础设施，加速研究效率。

官网：

https://dexbotic.com/

Paper：

https://dexbotic.com/dexbotic_tech_report.pdf

GitHub：

https://github.com/Dexmal/dexbotic

Hugging Face：

https://huggingface.co/collections/Dexmal/dexbotic-68f20493f6808a776bfc9fc4

可以说，Dexboitic是迈向具身智能的关键一步！

VLA模型一站式科研服务平台

Dexbotic是一个基于PyTorch的开源VLA代码库。

Dexbotic的开源，旨在为VLA研究领域提供一个一站式的开源工具箱。

Dexbotic整体架构图

Dexbotic的核心目标是把「视觉-语言模型（VLM）」与各类动作专家（Action Expert, AE）策略统一到一个模块化框架里，并提供更强的预训练模型与实验脚手架。

而且，可以在同一套环境下快速复现与对比Pi0、OpenVLA-OFT、CogACT、MemoryVLA等主流VLA策略。

在仿真器上，Dexbotic的预训练模型实现了巨大增益。

在主流仿真器的效果

在5个仿真平台上的，Dexbotic都取得了不错的结果。

· SimplerEnv

SimplerEnv旨在缩小仿真环境与真实世界之间的差距。

Dexbotic主要测试了WidowX机器人仅使用视觉匹配套件的情况，包含四项任务：

将勺子放在毛巾上、将胡萝卜放在盘子上、堆叠立方体以及将茄子放入黄色篮子中。

SimplerEnv的结果表明，Dexbotic极大提升了操控任务的稳定性与泛化性。

Dexbotic版本（DB-*）在所有任务上显著优于原始模型，在平均准确率上：

• DB-CogACT提升了18.2%；

• DB-OFT相比官方OpenVLA-OFT实现了46.2%的绝对性能提升。

• DB-MemoryVLA成功率达到84.4%，较官方版本提升12.5%。

· CALVIN

CALVIN专注于长周期语言条件机器人操作任务。

Dexbotic的预训练使模型在长期依赖任务中表现更稳健、泛化更强。

Dexbotic版本在CALVIN的长时序任务中同样优于原版；

DB-CogACT平均任务长度从3.25→4.06，说明更好地完成多指令串行任务；

同时，DB-OFT也在所有指标上略有提升。

· ManiSkill2

ManiSkill2主要聚焦基础抓取放置操作，检验模型的3D感知与空间推理能力。

在五项代表性任务上评估实验结果：

• PickCube（拾取立方体）

• StackCube（堆叠立方体）

• PickSingleYCB（拾取单个 YCB 物体）

• PickSingleEGAD（拾取单个 EGAD 物体）

• PickClutterYCB（拾取杂乱 YCB 物体）

Dexbotic版本（DB-*）在所有任务上显著优于原始模型：

• DB-OFT提升幅度高达42%；

• DB-CogACT提升幅度高达18%；

· RoboTwin2.0

RoboTwin2.0是新推出的仿真基准测试平台。

它改进了仿真到现实的转换，包含50项双臂任务和五种机器人实体。

Dexbotic基于四项精心挑选的任务进行比较：调整瓶子位置、抓取滚筒、放置空杯子和摆放手机支架。

Dexbotic版本在所有任务上提升显著；

特别是在「放置空杯子」任务中提升接近3倍（11%到30%）；

· LIBERO

LIBERO包含五个任务套件：

• LIBERO-Spatial，主要考察物体在不同位置的摆放能力；

• LIBERO-Object，要求在固定场景布局中完成多种物体的抓取与箱内放置；

• LIBERO-Goal，评估在固定布局下执行多样化操作的能力；

• LIBERO-Long（又称LIBERO-10），包含10个涉及多场景多操作的长期目标；

• LIBERO-90是LIBERO-10的扩展版本，提供了更具挑战性的基准测试。

当前，最先进VLA在该基准上的性能已接近饱和。

通过应用Dexbotic预训练模型，CogACT和MemoryVLA等策略均能获得额外性能提升。

相较于CogACT基线，DB-CogACT在四项任务套件中的平均成功率提高了1.3个百分点。

不管是排序、寻找还是分类，Dexbotic的表现都堪称完美。

真机演示

相比仿真，真机效果更能说明模型的能力。

真实场景实验表明Dexbotic能完成多种日常任务。

值得关注的是，在摆放盘子和搜寻绿盒任务中分别实现了100%和80%的成功率。

下面视频展示了100%成功率的UR5e叠盘子。

以及使用ARX 5来选找绿色方块。

对于「撕碎废纸」和「将薯条倒入盘子」这类操作任务，现有VLA策略确实面临挑战。

真机测试中，Dexbotic验证了，如MemoryVLA等前沿VLA策略能够解决「按顺序按下按钮」这类长周期且需记忆的任务（60%成功率）。

开源硬件——DOS-W1

具身智能的研究发展离不开开源硬件的支撑。

有鉴于此，Dexmal原力灵机也推出了其首款开源硬件产品——Dexbotic Open Source-W1（DOS-W1）。

DOS-W1采用完全开源的硬件设计，即将开源所有的文档、BOM、设计图纸、组装方案、相关代码；采用大量的快拆结构与可替换模块，这极大地降低了机器人的使用门槛、改造便利性和维护便利性；同时，其符合人体工学的抗疲劳设计，有效提升了操作人员的舒适度与数据采集效率。

据悉，Dexmal原力灵机也将与各产业伙伴一起，持续丰富Dexbotic Open Source系列，以开源硬件助力具身智能前沿研究，加速机器人技术在真实物理世界的落地与应用。

「软硬件」之外，Dexbotic全面覆盖训练需求，既支持阿里云、火山引擎等大规模云端训练平台，也兼容消费级GPU（如RTX 4090显卡）的本地训练方案。

针对UR5、Franka、ALOHA等主流机器人，Dexbotic也提供了统一训练数据格式，并开源通用部署脚本支持用户自定义部署。

可以看到，Dexbotic预训练模型在多种仿真器中，都给传统VLA策略带来了额外提升。

他们是如何做到的？

在开源的技术报告中，我们发现了Dexbotic的诸多创新，尤其是在模型层的设计上。

Dexbotic架构创新

Dexbotic代码库的整体架构主要包含三大核心层级：数据层（Data Layer）、模型层（Model Layer）和实验层 （Experiment Layer）。

数据层：统一格式

数据层定义了Dexdata统一格式以整合多源数据并优化存储空间。

基于Dexdata格式的数据，系统将自动执行数据处理流程，提取图像、文本及状态信息用于模型训练。

模型层：统一模块化VLA框架

Dexbotic在模型层面的创新主要集中在构建一个统一的模块化VLA框架。

并在此基础上预训练了更强大的基础模型（DexboticVLM）和一系列性能优越的机器人专用预训练模型。

此外，框架兼容主流LLM的开源接口，集成了具身操作和导航功能，预留了未来全身控制的接口扩展能力。

· DexboticVLM

为了解决现有VLA模型依赖过时VLM的问题，Dexbotic选择从头开始预训练自己的VLM。

DexboticVLM集成了先进组件： 视觉编码器CLIP和Qwen2.5，双层MLP作为投影器。

这个自研的DexboticVLM是后续所有预训练模型的基础。

基于DexboticVLM，Dexbotic提供了一系列性能远超原始开源版本的预训练模型。

这些模型分为离散和连续两种：

1、离散预训练模型 (Dexbotic-Base)

第一种是一个通用的VLA策略预训练模型。

它在DexboticVLM的基础上，使用了大规模、多样化的机器人数据进行了进一步的预训练。

训练数据非常广泛，包括Open-X Embodiment数据集的子集、来自多个模拟器（如RLBench, Libero, Maniskill2）的数据，以及真实的机器人数据（如UR5）。

2、连续预训练模型

第二种是专为特定视觉语言动作策略设计的预训练连续模型。

对于连续预训练模型，Dexbotic还提供了单臂和双臂任务的两个版本。

• 单臂连续模型 (Dexbotic-CogACT)：

它使用Dexbotic-Base来初始化VLM部分，并随机初始化动作专家（DiT头）。

该模型使用了包含Dexbotic收集的私有数据集进行训练。该私有数据集涵盖了8种不同的单臂真实机器人（如UR5, Franka, Unitree Z1等）执行的52个操控任务。

这极大地增强了模型的泛化能力。

• 混合臂（双臂）连续模型：

原始的CogACT策略并不支持多视图和双臂设置。

Dexbotic通过修改模型架构扩展了CogACT的能力。

实验层：实验导向型开发框架

实验层是Dexbotic体系中最核心的组成部分。

Dexbotic创新性地引入实验脚本机制，定义了基础实验脚本，用户根据自己的需求修改最少量的实验配置，即可开展新的实验，在确保系统稳定性的同时支持快速实验迭代开发。

实验层是Dexbotic VLA模型开发与复现的核心接口层，研究者只需通过实验脚本即可实现模型配置、训练与部署。

实验层的设计遵循三个核心原则 ：

1.实验中心化（Experiment-Centric）

不依赖复杂YAML配置文件，而采用脚本化配置模式，让研究者能以最少代码完成实验定义。

2.高可扩展性与可复用性

通过「分层配置 + 工厂注册 + 入口分发」机制，支持对模型、任务、数据、优化器等模块的灵活替换。

3.保持稳定与可维护性

所有实验都基于同一base_exp模板，可继承并重写字段，防止配置碎片化。

Dexbotic训练流水线

推理服务

Dexbotic还为不同开发者提供推理服务。

Dexbotic提供了一个轻量化的远程推理架构，支持在云端或本地执行机器人控制。

推理服务分为三个关键模块：

1.DexClient（客户端）：位于机器人端或用户本地；向服务器发送推理请求；负责执行返回的动作序列。

2.Web API（服务器端）：基于 Flask Service 构建；接收来自DexClient的数据；调用模型执行推理；返回动作结果。

3.VLA模型（推理核心）：接收图像与文本指令；执行多模态特征提取与推理；输出连续或离散的机器人动作。

Dexbotic致力于打造具身智能的基础运行层

具身智能研究长期以来的一个核心痛点是「碎片化」。

不同机构使用不同的框架、模型架构和数据格式，导致研究者难以复现、比较和迭代他人的工作。

Dexbotic正是在这种背景下提出，其学术和工程创新性体现在以下几点：

• 自研构建了新型基础模型DexboticVLM

• 扩展了SOTA模型的能力范围

• 在工程上提出统一模块化框架

• 提出了以「实验为中心」的开发范式

• 同步开源软硬件，降低研究门槛

为VLA贡献一份力

在VLA开源领域，还存在其他几个重量级参与者，比如通用机器人学习工具库LeRobot。

LeRobot和Dexbotic都是旨在解决行业碎片化、推动机器人研究标准化的重要开源工具箱。

Dexbotic不仅补充了LeRobot的生态，更在多个关键环节提供了针对性的「升级」：

1、核心能力从「过时」到「最新」

Dexbotic的核心创新之一是提供了DexboticVLM。

许多现有的VLA模型（包括LeRobot等工具支持的模型）都构建在如Llama2等相对过时的LLM之上。

它不再依赖旧的LLM，而是集成了最新的LLM（如Qwen2.5）和视觉编码器从头预训练。

2、数据格式的升级：更高效的存储

Dexbotic引入了统一的Dexdata格式。

该格式专门为VLA训练设计，通过优化的存储方式（如mp4视频和json），显著节省了模型训练所需的存储空间。

3、开发范式的升级：从「配置」到「实验」

传统AI框架（包括LeRobot）大量依赖yaml文件进行配置，这在处理复杂VLA策略时可能变得繁琐。

Dexbotic创新地采用了「以实验为中心」（Experiment-Centric）的开发框架。

用户通过继承和修改exp脚本来定义实验。

这种方式被认为比yaml配置更灵活，允许用户在不影响全局配置的情况下快速开发新实验。

LeRobot将重点和核心放在「易用性」与「社区生态」。

它像是一个「VLA模型和数据集的Hugging Face」，目标是降低普通用户的门槛，让所有人都能轻松访问、下载、训练和分享机器人模型，更侧重于可复现性。

Dexbotic核心是「高性能」与「统一标准」。

它更像是一个「高性能VLA研究框架」，目标是解决碎片化和提升性能基线，为专业开发者提供一个更强、更统一的「基础运行层」，更侧重于冲击SOTA。

从架构设计重点更能看出二者的区别。

• Dexbotic以「实验层 (Experiment Layer)」为核心，这是Dexbotic最重要的部分。

它摒弃了传统的yaml配置文件，用户通过继承base_exp脚本并覆盖参数来定义新实验。

这种设计的本质是为了让研究者在保持代码库稳定的同时，能极其敏捷地开发和修改实验（例如快速切换模型或任务）。

• LeRobot以「统一API (Unified API)」和「Hub集成」为核心。

其架构的本质是简化工作流，将数据处理、模型训练和评估封装在一致的API下，重点在于开箱即用。

原力灵机在VLA领域全面布局

除了在平台层面发力，打造Dexbotic，原力灵机还试图构建一个更全面的评测基准。

机器人正在走入现实世界，但目前仍缺乏统一、可复现的基准测试方法。

比如有些算法在仿真环境表现优异，但是很难在现实世界复现。

Dexmal原力灵机联合Hugging Face共同发起的RoboChallenge就是为了解决这个问题。

RoboChallenge是全球首个大规模多任务的真机基准测试平台。

Dexbotic鼓励用户利用该开源工具箱开发更多的现实机器人任务，并在其官网上提供了丰富的真实世界任务可视化案例。

同时，Dexbotic建议用户将基于其开发的策略提交至RoboChallenge平台，以便在真实场景中进行公平的对比。

《星球大战》的设定中，机器人是无法使用「原力」的。

机器人缺乏生物体所拥有的「生命之力」，因此被认为无法感知或使用原力，这些机器没有感知原力的能力。

但随着具身智能不可阻挡的进入物理世界，如何给这些机器赋予「原力」，或许是一个需要提上议程的话题。

如何让机器人都可以用上「原力」？

这就是Dexbotic和RoboChallenge背后，原力灵机试图解决的问题。

One More Thing

10月23日晚19:00，Dexmal原力灵机创始团队成员汪天才将现身直播间，讲解开源一站式VLA工具箱Dexbotic。

欢迎大家预约观看、线上交流 : )

文章来自于微信公众号“新智元”。