全球具身智能領域迎來重要突破——高德正式宣布全量開源ABot-M0，這是全球首個基于統一架構的機器人具身操作基座模型。該模型通過構建"通用大腦"系統，實現了對多種形態具身機器人的適配能力，為行業提供了可復用的技術基座。
在權威基準測試中，ABot-M0展現出顯著優勢。該模型在Libero-Plus測試中取得80.5%的任務成功率，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（最優技術水平），驗證了其跨場景操作能力的可靠性。測試數據顯示，模型在復雜環境下的物體抓取、路徑規劃等核心任務中表現尤為突出。
開源體系涵蓋三大核心維度：數據層面構建了全球規模最大的UniACT通用機器人數據集，整合超過600萬條真實操作軌跡，通過統一動作表示體系破解異構數據兼容難題；算法層面創新提出動作流形學習（AML）與雙流感知架構，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，支持工業場景的機械臂操作與家庭服務機器人的移動導航等多樣化應用。
技術突破集中體現在兩大創新算法。動作流形學習（AML）突破傳統試錯式預測模式，通過構建動作空間流形結構實現高效解碼，使策略穩定性提升40%以上。雙流感知架構采用模塊化設計，在保持Qwen3-VL骨干網絡不變的前提下，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業價值。統一架構驗證了"通用大腦+專用軀體"技術路線的可行性，為制定行業技術標準提供實證依據。開發者可基于預訓練模型快速構建垂直領域解決方案，避免重復開發訓練框架。數據集提供的標準化處理管線，使不同廠商的機器人數據能夠跨平臺復用，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啟動基于ABot-M0的二次開發，涵蓋智能制造、物流倉儲、醫療護理等多個領域。
