高德发布ABot系列基座模型：全球首款具身操作与导航双突破
近日，阿里巴巴集团旗下高德正式发布具身操作基座模型ABot-M0与具身导航基座模型ABot-N0，补齐了具身机器人规模化落地的两块核心能力——操作的通用性和导航的长程性，并刷新了全球多项权威评测纪录，高德也成为全球首个在具身导航与具身操作上同步达到SOTA（目前最好、最先进的模型）的厂商。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
ABot-M0：全球首个统一架构的机器人基础模型，让机器人拥有"通用大脑"
长期以来，机器人技术的规模化应用面临诸多挑战，其中关键之一在于数据的割裂、动作表示的不统一以及空间理解能力的不足。不同厂商、不同形态的机器人往往使用各自独立的数据体系，导致模型难以跨平台复用，训练效率受限，部署成本高。
高德推出的 ABot-M0 作为一款通用的具身操作基础模型，从“数据统一—算法革新—空间感知”三个方面进行了系统性重构，致力于提升模型在多样化机器人形态和任务场景下的泛化能力。
ABot-M0模型架构图
ABot-M0 基于全球开源资源，整合超过 600 万条真实操作轨迹，构建了目前规模最大的通用机器人数据集。通过统一动作表示、坐标系与控制频率，并采用增量式动作建模，实现了跨平台数据融合，支撑了完全基于公开数据的预训练。
算法革新上，ABot-M0 提出了全球首个动作流形学习：有效的机器人动作受限于物理规律、任务目标与环境约束，集中分布在低维结构化的流形上。设计了 AML（Action Manifold Learning）算法，使模型能够直接预测结构合理、物理可行的动作序列，提升策略的稳定性与解码效率。
为增强空间感知，ABot-M0 引入 3D 感知模块，增强模型对“前后、远近、遮挡”等空间语义的理解，在复杂环境中实现更精准的操作决策。
在 Libero、Libero-Plus、RoboCasa 基准测试中，该模型在包含复杂任务组合与动态场景扰动的设定下，平均任务成功率均达到 SOTA。其中，Libero-Plus 基准上达到了 80.5%，较业界先进方案pi0提升近30%，展现了其在高扰动高难度具身操作任务中的领先性能。
ABot-M0在Libero-Plus的评测
通过系统的工程设计与算法改进，ABot-M0 探索了一条通向通用具身智能的技术路径，也为未来开放、共享的机器人生态提供了可复现、可扩展的基础支持。
ABot-N0：全球首个五大导航任务统一的全栈导航基座模型
导航是机器人进入物理开放世界的核心基础能力，机器人需要在动态且存在干扰的环境里展现出通用的行动能力，如跨场景送物或跟随服务，这同时也是具身智能演进的终极命题。
然而，当前的具身导航研究普遍深陷“碎片化”：主流方法往往针对特定任务构建孤立的专用架构，这不仅限制了模型的跨任务泛化能力，更阻碍了智能体从海量异构数据中提取统一物理先验的可能性。
这也是当前机器人常陷于“环境看不懂、动作做不准”的核心原因，复杂指令（如“去门口帮我看看快递”）更是难以执行。
高德推出的具身导航基座模型ABot-N0，以“全任务一统”为核心目标，并实现全球首次在单一模型中完整集成Point-Goal（点位导航）、Object-Goal（目标导航）、Instruction-Following（指令跟随）、POI-Goal（兴趣点导航）与Person-Following（人物跟随）五大导航任务，有效突破了传统架构中任务割裂的瓶颈。
比如，当用户对搭载ABot-N0的具身机器人说：“带我去奶茶店买一杯奶茶，再帮我占个座。”时系统会自动分解为具体的导航任务：首先执行Point-Goal，根据地图记忆接近奶茶店区域；之后切换至POI-Goal，精准锁定店铺入口并靠近；随后触发Instruction-Following，进入店铺并导航至柜台；最后执行Object-Goal，在店内寻找空沙发并停靠。
相较于只能支持部分任务的具身导航模型，高德ABot-N0所实现的五大导航任务给长程复杂任务的执行提供了可行的解决方案。这一能力背后，是高德在架构设计、数据引擎和系统框架上的关键革新。
ABot-N0的数据、性能、任务概览
在模型架构上，ABot-N0采用层次化的“大脑‑动作”设计哲学：由“认知大脑”理解指令并做推理，由基于流匹配（Flow Matching）的“动作专家”生成精确且多峰分布的连续轨迹 。训练上，先让模型做认知训练热身，再用部分认知数据和海量导航动作进行联合监督微调，最后用强化学习把导航决策对齐到人类偏好的行为价值，最终打造出真实环境中更通用的VLA基座模型。
在数据侧，依托高德长期沉淀的场景资产和专家示例，高德构建了业内最大规模的具身导航数据引擎，涵盖约 8000 个高保真 3D 场景等海量时空数据与近1700万条专家示例，从而增强模型在真实环境中的泛化能力与鲁棒性。
基于ABot-N0的系统性创新，其在CityWalker、SocNav、R2R-CE/RxR-CE、HM3D-OVON、BridgeNav、EVT-Bench七大权威基准测试中全面刷新了世界纪录。其中在SocNav闭环仿真中，成功率（SR）飙升40.5%，在HM3D-OVON评测中成功率（SR）提升8.8%，均显著强于之前的SOTA模型。
Point-Goal任务：在CityWalker及SocNav上分别进行开环和闭环评测
此外，为了解决机器人在执行长程复杂任务时的任务拆解与容错问题，高德提出了可落地的Agentic Navigation System具身导航系统框架，行成从“读懂指令”到“长程复杂任务执行”的闭环能力架构，支持机器人在执行过程中持续感知、记忆、决策与纠错。系统已成功部署于真实四足机器人平台，并在边缘侧实现了高效推理与闭环控制，验证了其在动态现实环境中的泛化性能与工业级稳定性。
相关攻略
Discord接入：让OpenClaw成为你的社区智能管家 对于全球数亿的游戏玩家和社群爱好者来说，Discord几乎等同于线上“大本营”。那么，有没有可能让你精心搭建的Discord服务器也拥有一个聪明能干的AI助手呢？答案是完全可行。通过创建Discord Bot（机器人），你可以将OpenCl
Claude最强“神话”模型，可能用到来自字节的技术？ 这条猜测直接冲上了热搜榜。 这款被形容为“强到不敢公开发布”的Mythos模型，确实极大地刺激了人们对下一代大语言模型架构的想象空间。 社区讨论的焦点，正集中在它是否采用了“循环语言模型”（Looped Language Model）这一创新架
国产大模型DeepSeek迎来重大更新：快速模式与专家模式上线 最新消息显示，国产AI大模型DeepSeek再次迎来重要升级。4月8日，用户在访问DeepSeek时发现，输入框上方新增了“快速模式”与“专家模式”两个选项。根据官方说明，快速模式专注于日常对话场景，响应速度快，同时支持图片和文件中的文
飞书接入指南：为你的团队嵌入一位AI同事 如果你身处国内互联网或科技行业，对飞书这款高效协作平台一定非常熟悉。如今，它已不仅是团队沟通工具，更成为众多企业的数字化工作中枢。那么，能否让团队成员在飞书内部，直接调用强大的AI智能助手来提升效率呢？答案是肯定的。本指南将手把手教你，如何将OpenClaw
面对复杂连续任务的长程规划，现有的生成式离线强化学习方法往往会暴露短板。它们生成的轨迹经常陷入局部合理但全局偏航的窘境。它们太关注眼前的每一步，却忘了最终的目的地。针对这一痛点，厦门大学和香港科技大
热门专题
热门推荐
《识质存在》中后期配装与打法全解析：从生存到精通 进入《识质存在》的中后期，战场环境陡然严峻。敌人的伤害与生存压力同步攀升，单纯的武器升级已不足以应对挑战。真正的战力构建，是一个系统工程，它涵盖了武器、道具、模块天赋与侵入节点的协同搭配。如果你正为如何配装而困惑，下面的攻略或许能为你指明方向。 一、
《黑袍纠察队》主演揭秘阿什莉隐藏的勇敢！她如何从傀儡CEO到副总统，注射五号化合物长出第二张脸，在祖国人阴影下求生。第五季剧情解析，点击查看！ 在埃里克·克里普克打造的《黑袍纠察队》宇宙里，科尔比·米尼菲饰演的阿什莉·巴雷特，绝对算得上最让人过目不忘的角色之一。尽管她在沃特国际的企业和整治阶梯上步步
一路向西斩妖除魔 《遥遥西土》Steam好评如潮 最近Steam上杀出了一匹黑马：由法国独立工作室Evil Raptor开发的4人合作射击游戏《遥遥西土（Far Far West）》，一登陆抢先体验就收获了玩家“好评如潮”的顶级评价。看看数据就知道有多夸张：在超过2700条玩家评价中，好评率稳稳站在
探索Midnight Season 1最快地城排名：S-Tier Collegiate Calamity等攻略，优化刷本效率，提升装备和进度 开门见山地说，在《Midnight》第一赛季里，并非所有地城（Delves）的“性价比”都一样。有的流程紧凑，一路畅通无阻；有的则弯弯绕绕，耗时费力。为了帮你
SpringBoot2 7 x将logback升级到1 3 x以上版本的全过程解析 不少开发者在尝试将SpringBoot 2 7 x项目中的Logback升级到1 3 x或更高版本时，都会遇到一个典型的启动报错。这背后的原因其实很明确：SpringBoot 2 7 x默认依赖的是logback-c