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。

河北省枣强县嘉会镇，河南省林州市横水镇 ，黑龙江省明水县双兴镇，浙江省青田县万阜乡，青海省大通回族土族自治县东峡镇，二道白河镇，虎丘区，平湖市新埭镇，广西壮族自治区凤山县凤城镇，湖南省沅江市胭脂湖街道，黑龙江省明水县双兴镇，广西壮族自治区合浦县乌家镇，安徽省肥东县梁园镇，山东省河口区新户镇，召夸镇，甘肃省渭源县大安乡，四川省绵竹市富新镇 ，甘肃省庆城县桐川镇，定兴县固城镇，云南省德钦县云岭乡，河南省林州市横水镇，定兴县固城镇

全球服务区域: 江西省临川区六水桥街道，湖南省沅江市胭脂湖街道 ，博罗县龙溪镇，河北省枣强县嘉会镇，内蒙古自治区卓资县梨花镇，贵州省余庆县花山苗族乡，尚义县南壕堑镇，定兴县固城镇，江西省临川区六水桥街道，定兴县固城镇，广西壮族自治区钟山县钟山镇，江西省于都县梓山镇，新余市，重庆市潼南区桂林街道，浙江省青田县万阜乡，云南省德钦县云岭乡，陕西省白河县冷水镇 ，黑龙江省友好区双子河街道，甘肃省庆城县桐川镇，甘肃省金塔县金塔镇，青海省大通回族土族自治县东峡镇，江西省寻乌县菖蒲乡。

随着互联网技术的飞速发展，网络影视资源逐渐成为人们休闲娱乐的重要方式。在众多影视资源获取途径中，BT电影下载因其独特的优势而备受关注。那么，什么是BT电影下载？它又有哪些特点呢？本文将为您揭秘BT电影下载的便捷之道。 首先，我们来了解一下什么是BT电影下载。BT下载，全称为BitTorrent下载，是一种基于P2P（Peer-to-Peer）技术的文件共享方式。用户通过下载种子文件，在BT客户端中建立连接，与其他下载者共享电影、电视剧等资源。这种下载方式具有速度快、资源丰富、无需注册等特点，深受广大网友喜爱。 与传统下载方式相比，BT电影下载具有以下优势： 1. 速度快：BT下载采用多线程下载，将文件分割成多个部分，用户可以从多个来源同时下载，大大提高了下载速度。 2. 资源丰富：BT电影下载平台汇集了大量的影视资源，包括最新上映的电影、热门电视剧、经典老片等，满足不同用户的需求。 3. 无需注册：许多BT下载平台无需注册即可下载，方便快捷。 4. 免费下载：大部分BT电影下载资源都是免费的，用户无需付费即可观看。 然而，BT电影下载也存在一些问题，如： 1. 版权问题：部分BT电影下载资源可能涉及版权问题，下载和使用这些资源可能存在法律风险。 2. 下载速度不稳定：BT下载速度受网络环境、服务器负载等因素影响，有时会出现下载速度慢或中断的情况。 3. 下载内容质量参差不齐：由于BT电影下载平台资源众多，部分资源可能存在画质差、音质差等问题。 为了更好地享受BT电影下载带来的便捷，以下是一些建议： 1. 选择正规BT下载平台：选择信誉良好的BT下载平台，确保下载资源的安全性。 2. 注意版权问题：在下载和使用影视资源时，尊重版权，避免侵犯他人权益。 3. 使用稳定网络环境：在下载过程中，保持网络稳定，避免下载速度慢或中断。 4. 选择优质资源：在众多资源中，挑选画质、音质较好的电影，提升观影体验。 总之，BT电影下载作为一种便捷的影视资源获取方式，在满足人们观影需求的同时，也带来了一些问题。在享受BT电影下载带来的便利时，我们要注意版权问题，选择正规平台，确保下载资源的安全性。只有这样，我们才能在享受影视资源的同时，遵守法律法规，共同维护网络环境的和谐稳定。