高德发布两款ABot系列基座模型，达成全球首个具身操作和具身导航双SOTA

来源：猎云网近日，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。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。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。

黑龙江省友好区双子河街道，河南省林州市横水镇 ，虎丘区，广西壮族自治区钟山县钟山镇，安徽省肥东县梁园镇，江西省弋阳县桃源街道，甘肃省金塔县金塔镇，河南省林州市横水镇，贵州省余庆县花山苗族乡，新余市，虎丘区，广西壮族自治区合浦县乌家镇，四川省绵竹市富新镇，江西省临川区六水桥街道，青海省贵南县森多镇，河南省林州市横水镇，江西省于都县梓山镇 ，江西省临川区六水桥街道，河北省吴桥县于集镇，广西壮族自治区凤山县凤城镇，江西省寻乌县菖蒲乡，甘肃省金塔县金塔镇

全球服务区域: 青海省大通回族土族自治县东峡镇，广东省天河区元岗街道 ，山东省河口区新户镇，云南省德钦县云岭乡，山东省河口区新户镇，江西省寻乌县菖蒲乡，安徽省肥东县梁园镇，二道白河镇，定兴县固城镇，山东省槐荫区振兴街街道，四川省木里藏族自治县依吉乡，甘肃省渭源县大安乡，青海省贵南县森多镇，安徽省鸠江区白茆镇，江西省于都县梓山镇，江西省寻乌县菖蒲乡，黑龙江省明水县双兴镇 ，广西壮族自治区合浦县乌家镇，定兴县固城镇，二道白河镇，尚义县南壕堑镇，安徽省肥东县梁园镇。

电视剧《恋恋不忘》自播出以来，凭借其跌宕起伏的剧情和引人入胜的人物关系，吸引了无数观众的目光。随着剧情的推进，观众们对大结局充满了期待。如今，这部剧终于迎来了大结局，让我们一起来回顾一下这部作品的精彩瞬间。 《恋恋不忘》讲述了主人公陆子渝（由演员XXX饰演）与林晓曦（由演员XXX饰演）之间跨越十年的爱情故事。在这部剧中，爱情与复仇成为了贯穿始终的主题。 故事的开端，陆子渝和林晓曦是一对青梅竹马的恋人。然而，一场突如其来的车祸，让林晓曦失去了记忆，而陆子渝则被迫离开。在长达十年的分离中，两人各自经历了人生的起伏，也各自找到了新的伴侣。然而，命运却让他们在命运的安排下再次相遇。 在重逢的那一刻，陆子渝和林晓曦都意识到，彼此的心中仍然充满了对对方的思念。然而，命运的捉弄让他们不得不面对现实的残酷。林晓曦的未婚夫，同时也是陆子渝的仇人，为了复仇，不惜一切代价破坏他们的感情。在这场爱情与复仇的斗争中，陆子渝和林晓曦的感情经历了无数次的考验。 在剧情的高潮部分，陆子渝为了保护林晓曦，不惜与未婚夫决裂，甚至付出了生命的代价。而林晓曦也在经历了种种磨难后，终于找到了真爱。在最后的时刻，林晓曦在陆子渝的墓前许下了永恒的誓言，两人的爱情得以圆满。 然而，在这部剧中，复仇的主题同样引人深思。陆子渝的未婚夫为了复仇，不惜牺牲自己的幸福，甚至伤害了无辜的人。最终，他意识到自己的错误，但为时已晚。这个角色让我们看到了复仇的代价，也让我们反思了人性的复杂。 《恋恋不忘》的大结局，既是对爱情的肯定，也是对人性的反思。在经历了无数的波折后，陆子渝和林晓曦终于找到了属于自己的幸福。而那些为了复仇而付出代价的人，也让我们看到了人性的另一面。 这部剧的结局，既有感动人心的爱情，也有发人深省的复仇。观众们在为陆子渝和林晓曦的爱情欢呼的同时，也对那些为了复仇而付出代价的角色表示同情。可以说，《恋恋不忘》的大结局，为这部作品画上了一个圆满的句号。 总的来说，《恋恋不忘》是一部充满情感冲突和人性探讨的电视剧。它让我们看到了爱情的美好，也让我们反思了人性的复杂。在这部剧中，每一个角色都经历了成长和蜕变，最终找到了属于自己的幸福。让我们为这部作品的圆满结局喝彩，也为那些在剧中付出努力的演员们点赞。