全新具身大模型推荐：越疆空弈DobotWAM深度评测

机器人学习动作与构建数据模型的最大痛点，并非学不会，而是“只会一招”——场景一变就失效。这一行业顽疾长期无解。近日，深圳具身智能企业越疆科技发布自研世界动作模型空弈DobotWAM具身大模型，用实打实的数据给出突破方案：该模型在全球公认的具身智能标准评测基准LIBERO上，四个标准任务套件平均成功率高达99.25%，综合排名第一。

这标志着从“动作复现”到“动作理解”的关键跃迁。基于视觉-语言-动作（VLA）建模框架，空弈DobotWAM引入三项核心机制，完成四项关键技术的系统升级。

拆解来看，越疆在空弈DobotWAM中做了四件事：第一，用3D空间表征替换纯2D图像纹理，让机器人不再只看“平面图”，而是直接显式感知物体的位置与几何结构——相当于赋予机器人立体视觉深度；第二，引入关节动态几何损失，将每个关节的运动状态与末端执行器所受的几何约束一并融入训练，这一步能显著减少轨迹漂移与抓取失败；第三，高级VLM任务拆解机制对复杂语言指令进行语义分层，避免机器人“听懂局部指令、搞砸全局任务”；第四，构建高品质数据飞轮+真机复盘闭环，用真实机器人反复试验的数据持续反哺模型，大幅提升算法从仿真到真实环境的迁移能力。

越疆团队明确表示，这套体系的核心目标不只是让机器人学会“模仿动作”，更是理解“动作为什么这么做”。

效果如何？看几项高精度接触作业测试。在多场景分类抓取任务中，空弈DobotWAM能在完全非结构化的场景下精准定位小目标，完成姿态估计，稳定抓取各类物体。再如插充电器——全程自主完成目标定位、轴线对齐、精准插入，尤其在双臂协作旋转调整姿态时，机械臂动作连贯流畅。还有插笔帽这类看似简单实则需极高精度的操作，模型能准确判断笔身与笔帽的相对位置和开口方向，全程无滑脱、无推倒，稳定完成精细插入。

这三项任务分别考验小目标定位、强几何约束下的末端控制能力，以及实时误差修正能力。

从战略维度看，越疆近三年完成了从协作机器人到具身智能的产品跃迁。空弈DobotWAM的发布，标志着这家企业已从“全球协作机器人第一”向“具身智能头部企业”硬核迈进。更重要的是，公司指明了具身智能的真实演进方向——不是预设轨迹的舞蹈、翻跟头等表演性动作，而是插接、抓取、对准这类直面物理世界的“硬核任务”。

更值得关注的是，这套模型并未停留在实验室。空弈DobotWAM已搭载在越疆人形机器人上，并实现商业化落地：电影院里的爆米花机器人，单日工作14小时；汽车产线的夜班工序中，能够自主排障。这些真实场景的“答卷”比任何理论验证都更有说服力。

未来越疆将持续迭代空弈DobotWAM，推动机器人从“能看懂、能行动”，迈向“能适应、能泛化、能长期可靠执行”——这才是具身智能真正的终极目标。

来源：互联网