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。

甘肃省庆城县桐川镇，定兴县固城镇 ，江西省寻乌县菖蒲乡，青海省贵南县森多镇，新余市，黑龙江省友好区双子河街道，安徽省鸠江区白茆镇，黑龙江省明水县双兴镇，甘肃省庆城县桐川镇，广西壮族自治区凤山县凤城镇，甘肃省渭源县大安乡，甘肃省金塔县金塔镇，山东省槐荫区振兴街街道，四川省绵竹市富新镇，浙江省青田县万阜乡，定兴县固城镇，江西省临川区六水桥街道 ，山东省郓城县李集镇，安徽省鸠江区白茆镇，甘肃省武都区琵琶镇，四川省理县蒲溪乡，河北省枣强县嘉会镇

全球服务区域: 江西省广信区花厅镇，浙江省青田县万阜乡 ，安徽省肥东县梁园镇，山东省河口区新户镇，黑龙江省友好区双子河街道，甘肃省金塔县金塔镇，江西省临川区六水桥街道，四川省木里藏族自治县依吉乡，河北省枣强县嘉会镇，云南省德钦县云岭乡，江西省弋阳县桃源街道，博罗县龙溪镇，尚义县南壕堑镇，虎丘区，二道白河镇，四川省理县蒲溪乡，平湖市新埭镇 ，广东省天河区元岗街道，浙江省青田县万阜乡，重庆市潼南区桂林街道，召夸镇，湖南省沅江市胭脂湖街道。

名侦探柯南，这部陪伴了无数粉丝多年的经典侦探漫画，终于在2023年迎来了它的大结局。这部漫画自1994年开始连载，至今已有近30年的历史，成为了无数人心中的经典之作。在漫画的大结局中，柯南的推理世界迎来了一个圆满的终章。 在漫画的大结局中，柯南凭借其敏锐的观察力和出色的推理能力，成功解开了最后一个谜团。这个谜团不仅关乎案件的真相，更关乎柯南自己的命运。在揭开谜团的过程中，柯南不仅展现了他作为侦探的智慧，更展现了他作为朋友和家人的温暖。 在漫画的最后一集中，柯南与他的好友小兰、基德、琴酒等一众角色共同面对了最后的挑战。这场挑战不仅考验了柯南的推理能力，更考验了他的人性和勇气。在紧张的气氛中，柯南凭借自己的智慧，成功化解了危机，保护了无辜的人们。 值得一提的是，在漫画的大结局中，柯南的变身药水也发挥了关键作用。在关键时刻，柯南喝下了药水，变回了高中生新一。这一幕不仅让粉丝们激动不已，也让柯南的变身药水成为了漫画中的标志性元素。 除了柯南的变身药水，漫画中的其他元素也让人印象深刻。例如，柯南的侦探笔记，记录了他所有的推理过程，成为了他破案的重要工具。此外，柯南的推理手法也颇具特色，他善于从细节中发现线索，从而找到案件的真相。 在漫画的大结局中，柯南不仅成功解决了案件，还与他的朋友们一起度过了许多欢乐的时光。这些时光成为了他们共同的回忆，也让粉丝们感受到了友谊的力量。在漫画的最后，柯南和小兰的感情也得到了升华，他们终于走到了一起。 值得一提的是，柯南的大结局不仅是一部漫画的终结，也是一部影视作品的终结。在漫画改编的动画和电影中，柯南的形象深入人心，成为了无数人心中的英雄。在漫画的大结局中，柯南的形象也得到了完美的诠释，让粉丝们为之动容。 总的来说，名侦探柯南的大结局漫画是一部充满感动和惊喜的作品。它不仅展现了柯南的智慧和勇气，更展现了友情、爱情和亲情的力量。在漫画的大结局中，柯南的推理世界迎来了一个圆满的终章，也让粉丝们为之欢呼。虽然漫画已经结束，但柯南的故事将永远留在我们的心中。