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。

尚义县南壕堑镇，甘肃省渭源县大安乡 ，广东省天河区元岗街道，平湖市新埭镇，安徽省肥东县梁园镇，甘肃省武都区琵琶镇，召夸镇，江西省寻乌县菖蒲乡，安徽省肥东县梁园镇，山东省河口区新户镇，四川省理县蒲溪乡，安徽省鸠江区白茆镇，云南省德钦县云岭乡，湖南省沅江市胭脂湖街道，河北省吴桥县于集镇，浙江省青田县万阜乡，重庆市潼南区桂林街道 ，山东省河口区新户镇，青海省贵南县森多镇，山东省郓城县李集镇，平湖市新埭镇，青海省贵南县森多镇

全球服务区域: 四川省理县蒲溪乡，新余市 ，虎丘区，平湖市新埭镇，广东省天河区元岗街道，重庆市潼南区桂林街道，广西壮族自治区钟山县钟山镇，甘肃省金塔县金塔镇，山东省河口区新户镇，内蒙古自治区卓资县梨花镇，广西壮族自治区钟山县钟山镇，青海省大通回族土族自治县东峡镇，山东省槐荫区振兴街街道，广西壮族自治区凤山县凤城镇，平湖市新埭镇，广西壮族自治区凤山县凤城镇，甘肃省庆城县桐川镇 ，广西壮族自治区凤山县凤城镇，新余市，黑龙江省明水县双兴镇，贵州省余庆县花山苗族乡，江西省广信区花厅镇。

在一个宁静的小村庄里，住着一位年迈的奶奶，她名叫李奶奶。李奶奶年轻时曾是村里的佼佼者，如今却因年事已高，生活起居都需要家人的照顾。李奶奶的儿子小明，为了给奶奶更好的生活，决定带着她进城。 小明带着奶奶踏上了进城的路程。他们乘坐着绿皮火车，穿过一片片田野，经过一座座山峦，终于来到了繁华的都市。城市的喧嚣与村庄的宁静形成了鲜明的对比，李奶奶一开始感到有些不适应。 在城市里，小明找到了一份工作，虽然辛苦，但他总是尽力让奶奶的生活过得舒适。每天下班后，小明都会带着奶奶去公园散步，给她讲述城市的繁华故事。奶奶虽然年迈，但她的眼神中充满了好奇和期待。 随着时间的推移，小明和奶奶在城市里建立了新的生活。他们结识了许多新朋友，李奶奶也开始适应了城市的生活。然而，生活总是充满波折。一天，小明在工作中不幸受伤，无法继续工作。这让原本就不富裕的家庭雪上加霜。 面对困境，小明没有放弃，他决定带着奶奶去寻找新的出路。他们来到了一家养老院，希望在那里找到一份工作。养老院的工作人员被小明和奶奶的坚持所感动，决定给他们一个机会。 在养老院，小明和奶奶负责照顾老人们的生活。他们用自己的爱心和耐心，赢得了老人们的喜爱。李奶奶也在这里找到了新的生活乐趣，她开始教老人们唱歌、跳舞，成为养老院里的小明星。 日子一天天过去，小明和奶奶在养老院里度过了许多快乐时光。然而，命运似乎总喜欢开玩笑。一天，李奶奶突然生病，需要立即就医。小明焦急地带着奶奶去医院，经过一番努力，奶奶终于脱离了危险。 在奶奶康复后，小明决定带着她去实现一个梦想——去北京看升旗。他们乘坐高铁，来到了北京。站在天安门广场上，看着鲜艳的五星红旗在朝阳的照耀下缓缓升起，李奶奶的眼中闪烁着泪光。她紧紧地握住小明的手，感慨地说：“谢谢你，小明，让我看到了这么美好的世界。” 这次北京之行，让李奶奶感受到了祖国的强大和美好。她决定将自己的余生都奉献给养老院，帮助更多像她一样的老人。小明也坚定了信念，继续在养老院里努力工作，为老人们带去温暖和关爱。 最终，小明和奶奶在养老院里过上了幸福的生活。他们用自己的行动，诠释了什么是真正的孝道和亲情。这个故事，成为了城市里流传的一段佳话，感动了无数人。 背着奶奶进城的旅程，虽然充满了艰辛，但小明和奶奶始终没有放弃。他们用坚定的信念和无私的爱心，书写了一段感人至深的故事。这个故事告诉我们，无论生活多么艰难，只要有爱，就有希望。