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。

江西省弋阳县桃源街道，湖南省沅江市胭脂湖街道 ，广西壮族自治区凤山县凤城镇，江西省弋阳县桃源街道，青海省贵南县森多镇，甘肃省渭源县大安乡，江西省于都县梓山镇，甘肃省武都区琵琶镇，召夸镇，江西省寻乌县菖蒲乡，黑龙江省友好区双子河街道，甘肃省武都区琵琶镇，四川省理县蒲溪乡，河南省林州市横水镇，广西壮族自治区凤山县凤城镇，甘肃省庆城县桐川镇，四川省理县蒲溪乡 ，甘肃省渭源县大安乡，四川省绵竹市富新镇，河北省吴桥县于集镇，山东省河口区新户镇，广西壮族自治区凤山县凤城镇

全球服务区域: 安徽省鸠江区白茆镇，广西壮族自治区合浦县乌家镇 ，黑龙江省友好区双子河街道，湖南省沅江市胭脂湖街道，广西壮族自治区凤山县凤城镇，定兴县固城镇，二道白河镇，重庆市潼南区桂林街道，江西省寻乌县菖蒲乡，青海省大通回族土族自治县东峡镇，甘肃省武都区琵琶镇，博罗县龙溪镇，江西省寻乌县菖蒲乡，虎丘区，甘肃省武都区琵琶镇，广东省天河区元岗街道，广西壮族自治区合浦县乌家镇 ，黑龙江省明水县双兴镇，河北省枣强县嘉会镇，四川省木里藏族自治县依吉乡，广东省天河区元岗街道，新余市。

在紧张刺激的悬疑电影中，赤足惊魂无疑是一部让人心跳加速的作品。这部影片以独特的视角，将观众带入了一个充满未知与恐惧的世界。下面，就让我们一起来回顾这部令人难忘的影视佳作。 赤足惊魂的故事发生在一个偏远的小山村。这里的人们过着平静而祥和的生活，然而，一场突如其来的灾难打破了这份宁静。一场突如其来的洪水，让村民们陷入了恐慌。在这场灾难中，主人公小杨（由新晋演员小李饰演）不幸失去了双腿，被迫赤脚行走。为了生存，他踏上了寻找真相的旅程。 影片一开始，导演就通过一系列紧张刺激的镜头，将观众带入了一个充满危机的环境。在洪水肆虐的夜晚，小杨在逃生的过程中，意外发现了一处神秘的洞穴。这个洞穴成为了他寻找真相的关键。在洞穴中，小杨遇到了各种恐怖的怪物，这些怪物似乎在向他传递着某种信息。 随着剧情的发展，小杨逐渐揭开了这场灾难背后的真相。原来，这一切都是一场人为的阴谋。为了掩盖真相，邪恶势力不惜牺牲无辜的生命。在追寻真相的过程中，小杨结识了一群志同道合的朋友，他们一起面对重重困难，勇敢地与邪恶势力作斗争。 赤足惊魂在视觉效果上堪称一绝。影片运用了大量的特效镜头，将恐怖、惊悚的氛围渲染得淋漓尽致。在洞穴中，导演巧妙地运用了光影效果，让画面充满了神秘感。而在与怪物的搏斗场面中，特效更是让人瞠目结舌。这些惊险刺激的场面，无疑为观众带来了一场视觉盛宴。 在人物塑造方面，赤足惊魂同样可圈可点。小李饰演的小杨，虽然失去了双腿，但他的坚韧不拔、勇敢面对困境的精神，让观众为之动容。而其他角色，如善良的村长、勇敢的警察等，也都给观众留下了深刻的印象。 值得一提的是，赤足惊魂在音乐方面的表现也相当出色。影片的配乐紧张刺激，与剧情发展紧密相连。在关键时刻，音乐更是起到了画龙点睛的作用，让观众的情绪随着剧情起伏。 总的来说，赤足惊魂是一部值得一看再看的悬疑佳作。它不仅为我们呈现了一场惊心动魄的视觉盛宴，更让我们感受到了人性的光辉。在紧张刺激的剧情中，我们看到了勇敢、善良、坚韧不拔的精神，这些精神将永远激励着我们前行。 如果你还没有看过赤足惊魂，那么赶快在线观看吧！相信这部影片一定会给你带来不一样的观影体验。在紧张刺激的剧情中，你将感受到前所未有的心跳加速，同时也将体会到人性的美好。赤足惊魂，一场不容错过的视觉盛宴！