快速摘要
原力灵机（Dexmal）在 2026 年 2 月发布了全球首个具身原生大模型 DM0，仅凭 2.4B 参数便在 RoboChallenge 真机评测中拿下单任务和多任务双料榜首，力压一众 7B、13B 级别的竞品。 与传统"拿互联网大模型接机械臂"的思路不同，DM0 从第一行代码就为物理世界而设计，融合互联网多模态数据、驾驶行为数据和具身传感数据进行联合训练，并引入空间推理思维链（Spatial CoT）实现任务理解到精细执行的闭环。与此同时，团队还开源了 Dexbotic 2.0 开发框架和 DFOL 量产工作流。往下看，莫潇羽@无忆研习社 将为你逐层拆解这套技术体系的底层原理、架构设计与落地路径。
一、从"互联网借智"到"物理世界求真"——具身原生概念的由来
要理解 DM0 的设计哲学，先要弄清楚一个关键问题：过去的机器人"大脑"是怎么做的？
在 2024 年之前，行业中绝大多数具身智能方案走的是一条"借智"路线——先拿一个在海量互联网数据上训练好的视觉语言大模型（VLM），比如 GPT-4V 或 Gemini，再在后端接一个机械臂控制模块。通俗点说，就是让一个"看遍了全网图片和文字"的模型来指挥一双机械手去抓东西、放东西。
这条路线的优势很明显：互联网上的图文数据规模极其庞大，大模型通过预训练获得了强大的语义理解和通用常识。然而，它的局限性同样致命。
互联网上的图片和文字，本质上是对物理世界的"二维投影"。一张杯子的照片可以让模型知道"这是杯子"，但无法让它理解杯壁的厚度、杯子的重心在哪里、拿起来的时候需要多大的握力、放下去的时候要多轻才不会摔碎。换言之，互联网数据天然缺少物理世界的深度信息——空间距离、接触力、摩擦系数、碰撞反馈等等。
原力灵机的创始团队——范浩强、周而进和汪天才——均出身于旷视科技（Megvii），拥有超过十年的 AI 工程化经验。他们在实践中深刻感受到了这种割裂，于是提出了一个全新的理念：具身原生。
所谓具身原生，用一句话概括就是：从第一行代码就为机器人而写，从训练的第一天就教模型理解物理世界，而不是在已有的互联网大模型上"外挂"一个控制器。
这里有一个非常形象的比喻（莫潇羽@无忆研习社 在梳理技术资料时觉得特别恰当）：传统做法好比是找了一个从小只看书没摸过篮球的天才，然后试图通过几天的速成训练把他培养成职业篮球运动员；而具身原生的做法则是让这个人从婴儿时期就开始在球场上爬、摔、跑、跳，让"身体记忆"和"书本知识"同步成长。
正如原力灵机 CEO 唐文斌在发布会上所说："2026 年不是具身智能的元年，而是具身原生的元年。" 这句话宣告了具身智能正在告别"大模型外挂一双机械手"的初级阶段，进入感知、决策与控制深度协同的新时代。
二、DM0 模型全面拆解——2.4B 参数为何能吊打 7B？
2.1 模型定位与核心成绩
DM0 是原力灵机联合阶跃星辰（StepFun）共同训练的具身原生视觉-语言-动作（Vision-Language-Action，VLA）大模型。它的全称是 DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI。
先看它在 RoboChallenge 评测平台上的成绩：
- 在单任务评测中取得了全球第一
- 在多任务评测中同样取得了全球第一
- 单机成功率达到 62.0%，为当时所有参测模型中最高
- 仅凭 2.4B 参数，超越了 Pi0、Pi0.5、CogACT 等 7B 乃至更大参数量级的模型
这里需要引入一个关键概念——智能密度（Intelligence Density）。智能密度可以简单理解为：模型在真实任务上的表现除以模型参数量。同等任务完成能力下，参数越少，智能密度越高。DM0 用不到竞品三分之一的参数量达到了更优的真机表现，使其成为当前智能密度最高的具身大模型。
对于开发者和硬件部署来说，小参数量意味着更低的推理延迟、更少的显存占用、更低的部署成本。DM0 的推理延迟仅约 60ms，可以在消费级显卡（如 NVIDIA RTX 5090）上完成训练和部署，这对于具身智能走向工业应用有着实质性的意义。
2.2 架构设计：VLM 主干 + Flow Matching 动作专家
DM0 的整体架构可以分为两大部分：
第一部分是 VLM 主干（Vision-Language Model Backbone）。 这一部分负责处理多模态输入信息，包括多个视角的摄像头画面和自然语言指令。VLM 主干将这些信息编码为统一的具身推理表征（Embodied Reasoning Representation），为后续的动作生成提供语义和空间层面的理解基础。
第二部分是基于流匹配（Flow Matching）的动作专家（Action Expert）。 动作专家接收 VLM 生成的表征，通过连续动作生成的方式输出机器人可以执行的动作序列。
用更直观的方式理解这两部分的关系（莫潇羽@无忆研习社 给大家画一个简化的逻辑流）：
摄像头画面（多视角） ──┐
├──→ [VLM 主干] ──→ 具身推理表征 ──→ [动作专家] ──→ 机器人动作
自然语言指令 ──────────┘ ↑ ↑
空间推理思维链 Flow Matching
(Spatial CoT) 连续动作生成之所以选择 Flow Matching 而非传统的离散 Token 预测来生成动作，是因为机器人的动作天然是连续的——机械臂从 A 点移动到 B 点，中间的轨迹是一条连续曲线，而不是跳跃式的离散点。Flow Matching 架构能够更自然地建模这种连续性，从而生成更加平滑和精确的运动轨迹。这一思路与 Physical Intelligence 公司推出的 π0 模型采用的技术路线有相似之处，但 DM0 在此基础上做了针对物理世界的原生优化。
2.3 三源数据混合训练——让模型"活"在完整的物理世界中
DM0 最核心的创新之一在于其训练数据的构成。与传统 VLA 模型主要依赖互联网图文数据或单一场景的机器人操作数据不同，DM0 采用了三类数据的深度混合训练策略：
第一类：互联网多模态数据。 这类数据提供了语言能力、万物识别能力和通用常识。简单来说，就是让模型"看懂"这个世界——认识各种物体、理解自然语言指令、掌握日常生活常识。这是语义智能的基石。
第二类：驾驶行为数据。 这一类数据主要来自自动驾驶场景，提供的是室外复杂环境下的动态决策能力和路径规划（Planning）能力。自动驾驶数据的加入让模型学会了在动态、开放环境中做出快速判断——比如如何避开障碍物、如何规划最优行进路线。这种能力对于需要在开放空间导航的机器人来说至关重要。
第三类：具身多传感器数据。 这类数据涵盖了机器人在真实室内环境中的操作记录，包括导航轨迹、精细操作序列、触觉交互反馈等。这些数据让模型真正"学会动手"——怎么拿起一个杯子不会打滑、怎么穿过狭窄空间不会碰撞、怎么在桌面上精确操作小物件。
原力灵机合伙人汪天才对此有一个很精辟的总结："我们没有必要去区分到底是具身还是自动驾驶，又或是所谓的多模态大模型——大家的目标应该是一致的：最终你要训出一个具身大模型。"
把这三类数据放在一起训练，其本质是在模拟人类的完整生活经验。想象一下你的一天：早上在家做家务（具身操作数据），出门开车去上班（驾驶行为数据），到了办公室浏览网页、处理信息（互联网数据）。DM0 的训练数据覆盖了所有这些场景，让模型拥有了对物理世界的全面理解。
2.4 多任务跨机型预训练——不为某一台机器人而生
传统的具身智能模型往往是针对某一种特定机型训练的——比如专门为 UR5 机械臂训练一个模型，换到 Franka 机械臂上就可能不好使。这极大地限制了模型的通用性和商业价值。
DM0 在预训练阶段系统混合了三类核心任务：
- 抓取任务：训练模型掌握各种物体的抓取策略
- 导航任务：训练模型在不同环境中规划和执行移动
- 全身控制任务：训练模型协调机器人的多个关节进行复杂操作
同时，预训练数据覆盖了 8 种差异显著的机器人平台：UR、Franka、ARX、UMI、Aloha、R1-Lite、Realman、DOS-W1。
这些机器人在外形、自由度、控制方式上差异巨大，但 DM0 都能很好地适配。其原因在于，模型学习的不是某个特定机器人的电机参数或关节角度，而是操作的通用逻辑和物理规律。
举个类比：一个经验丰富的厨师，无论换到哪个厨房、用什么品牌的刀，都能把菜切好，因为他掌握的是"切菜"这个动作的本质规律，而不是特定某把刀的重量和手感。DM0 追求的就是这种层面的通用性。
2.5 空间推理思维链（Spatial CoT）——给机器人装上"内心独白"
思维链（Chain of Thought，CoT）在大语言模型领域已经被证明能显著提升推理能力。简单说，就是让模型"想一步说一步"，把复杂问题拆解成一系列小步骤来逐步解决，而不是直接跳到最终答案。
DM0 将这一理念迁移到了物理空间，提出了空间推理思维链（Spatial CoT）。
以一个具体的例子来说明——假设你给机器人下达一个模糊的指令："对桌面上的商品扫码计价"。DM0 的空间推理思维链会经历以下步骤：
步骤一：子任务预测与规划。 模型首先将这个高层指令分解为多个子任务——"找到商品"→"找到条码位置"→"拿起商品"→"将条码对准扫码器"→"放下商品"。这一步解决的是"做什么"和"按什么顺序做"的问题。
步骤二：物体识别与精确定位。 模型对当前场景进行视觉分析，识别出桌面上的各个商品，定位条码的精确位置（精确到像素级别），评估每个物体的大小、形状和抓取点。这一步解决的是"在哪里做"的问题。
步骤三：2D 轨迹生成。 基于前两步的信息，模型在图像平面上规划出机械臂末端的运动轨迹——从当前位置到目标物体，再到扫码器位置。这一步解决的是"怎么走"的问题。
步骤四：3D 动作映射与执行。 将 2D 轨迹结合深度信息映射为真实三维空间中可执行的机器人动作序列，包括关节角度、运动速度、夹爪开合等。这一步解决的是"怎么动"的问题。
┌─────────────────────────────────────────────────────┐
│ 空间推理思维链 (Spatial CoT) │
│ │
│ [高层指令] │
│ ↓ │
│ ① 子任务预测与规划 │
│ "扫码计价" → 找商品 → 定位条码 → 抓取 → 对准扫码 │
│ ↓ │
│ ② 物体识别与精确定位 │
│ 场景分析 → 商品/条码像素级定位 → 抓取点评估 │
│ ↓ │
│ ③ 2D 轨迹生成 │
│ 图像平面运动路径规划 │
│ ↓ │
│ ④ 3D 动作映射与执行 │
│ 2D→3D 映射 → 关节角度序列 → 机器人执行 │
└─────────────────────────────────────────────────────┘这条空间推理思维链的关键意义在于：它把任务理解、运动规划与动作执行串成了一个高精度操作的闭环。每一步的输出都是下一步的输入，信息在整个链条中有序流动，而不是简单地从"看到了什么"直接跳到"手该怎么动"。
2.6 真机强化学习——在失败中学习成功
仅靠 Planning（规划）还不足以应对现实世界中的各种不确定性。真实环境中充满了 Plan 无法完全预见的情况：物体表面比预想的更滑、桌面有轻微倾斜、夹爪抓取时物体发生了旋转等等。
为了应对这些问题，DM0 在大模型基础上结合了真机强化学习。在强化学习框架下，模型可以在真实机器人上不断试错——每一次失败都会生成负面反馈，指导模型调整策略；每一次成功都会强化有效的行为模式。
这种"在失败中学习成功"的机制，让 DM0 逐步积累了应对各种扰动的"肌肉记忆"，使得操作越来越稳健。
2.7 高分辨率感知——毫米级精度的视觉基础
在视觉输入方面，DM0 做了两个对性能有直接影响的设计选择：
第一，原生支持 728×728 高分辨率输入。 目前业内主流的 VLA 模型普遍只支持 224～384 分辨率的图像输入。DM0 将分辨率直接拉到了 728×728，这意味着同样一个场景，DM0 "看到"的细节是其他模型的数倍。
为什么分辨率这么重要？试想一下拧螺丝这个操作：螺丝钉的直径可能只有几毫米，在低分辨率图像中可能只占一两个像素，1～2 个像素的偏差就可能导致定位失败。而在 728×728 的高分辨率下，同样大小的螺丝钉会占据更多像素，定位精度自然就高了很多。
第二，同时处理三个视角的摄像头画面。 单一视角的图像存在遮挡和视角盲区的问题。三视角输入让模型能够获得更完整的空间信息，类似于人类用双眼获得立体视觉——只不过 DM0 比人类多了一只"眼睛"，空间感知能力更强。
即便分辨率大幅提升且要同时处理三个视角，DM0 依然能保持约 60ms 的低延迟推理。这得益于其精心设计的 2.4B 轻量化架构——参数少，计算量就小，响应就快。
三、RoboChallenge 评测平台——什么样的"考场"才算公平？
DM0 登顶的 RoboChallenge，本身就是具身智能领域的一项重要基础设施。在详细讨论 DM0 的成绩之前，莫潇羽@无忆研习社 认为有必要先向读者介绍这个评测平台。
3.1 为什么需要真机评测？
长期以来，具身智能的能力评估存在一个严重的信任危机：大家在社交平台上看到的机器人演示视频，往往是经过精心筛选的"最佳案例"。一段 30 秒的流畅操作背后，可能是上百次失败尝试中挑出来的唯一一次成功。
另外，仿真环境中的测试结果也不完全可靠。仿真器无法完美复现真实世界的物理特性——传感器噪声、材质摩擦差异、光照变化、物体微小移位等因素，在仿真中往往被过度简化。
RoboChallenge 正是为了解决这个问题而生。它由原力灵机（Dexmal）和 Hugging Face 于 2025 年 10 月联合发起，是全球首个大规模具身智能真机评测平台。
3.2 RoboChallenge 的评测机制
RoboChallenge 的核心特点可以从以下几个方面来理解：
真机集群。 平台部署了 UR5、Franka Panda、ARX5、ALOHA 等四类主流机型共 20 台真实机器人，涵盖单臂和双臂不同构型。所有评测结果都来自真实物理环境下的执行，而非模拟器。
标准化任务集 Table30。 包含 30 个精心设计的日常情境任务，涵盖精准定位抓取、空间关系理解、多视角协同、双臂协作、杂乱环境操作、多步骤序列决策等多个维度。这比行业中常见的 3～5 个任务的评测规模要大得多。
远程评测机制。 研究者不需要自己拥有机器人硬件，通过在线 API 就能远程控制平台上的真实机器人。模型在用户本地运行，通过 API 发送控制命令，消除了硬件差异带来的不公平因素。
双指标评价体系。 每个任务需要进行 10 次独立真机测试，最终以平均成功率计分。同时引入"成功率 + 过程分"双指标：不仅看任务是否最终完成，还量化模型在失败前推进到了哪一步。
全面开放。 所有任务的演示数据（每个任务提供多达 1000 条轨迹）、测试中间结果和执行日志全部公开，确保结果可复现、可验证。
截至 RoboChallenge 首份年度报告发布时，平台已累计完成超过 4 万次真机测试，吸引了来自中国（58.3%）、美国（22.0%）、新加坡、日本等多个国家的开发者参与。
3.3 DM0 在 RoboChallenge 上的表现意味着什么？
在这样一个严苛的评测体系下，DM0 取得双料第一的成绩是非常有说服力的。它证明了几件事：
首先，具身原生的训练范式确实有效——从物理世界出发训练的小模型，可以在真实任务中打败从互联网出发训练的大模型。
其次，参数量不是决定性因素——在精心设计的架构和训练策略下，2.4B 的小模型可以拥有比 7B 模型更高的智能密度。
最后，DM0 的成功不是在某一项任务上的"刷分"，而是在包含 30 个多样化任务的综合评测中取得的全面领先，这说明模型具备了良好的泛化能力。
四、Dexbotic 2.0——具身智能的"PyTorch 时刻"
如果说 DM0 是一个高性能的具身智能"大脑"，那么 Dexbotic 2.0 就是用来培育和训练这些"大脑"的开发框架——一个面向全行业开源的具身原生基础设施。
4.1 为什么需要统一框架？
在 Dexbotic 出现之前，VLA 研究领域面临着严重的碎片化问题：
环境配置之痛。 主流的 VLA 算法（如 Pi0、OpenVLA-OFT、CogACT 等）分散在不同的代码仓库中，使用不同的深度学习框架，有些甚至没有开源完整代码。想要对比两个算法的效果，研究者可能需要花费数天甚至数周来分别搭建两套不同的运行环境。
评测不公平。 不同算法使用不同的预训练模型（有的用 2023 年的 Llama2，有的用 2025 年的 Qwen2.5）、不同的训练轮数、不同的学习率。在这种条件下得出的对比结果，很难说是算法本身的优劣，还是训练条件的差异。
重复造轮子。 超过一半的研发精力被迫消耗在适配不同的硬件接口、数据格式和仿真环境上，真正用于算法创新的时间被大大压缩。
回顾深度学习的发展历史，类似的问题曾经也困扰着 NLP 和 CV 领域，直到 PyTorch、TensorFlow 等通用框架和 Hugging Face Transformers 等工具箱出现，才让研究者得以从底层工程中解放出来，专注于算法创新。
Dexbotic 2.0 的定位，正是要成为具身智能领域的 PyTorch——一个标准化的、模块化的、开源的基础设施。
4.2 Dexbotic 2.0 的架构设计
Dexbotic 2.0 采用了清晰的三层架构设计：
数据层（Data Layer）。 负责将来自不同机器人平台、不同传感器、不同格式的异构数据统一处理为 Dexdata 格式。这意味着无论你的数据是从 UR5 还是 Franka 采集的，进入 Dexbotic 后都会被转化为统一的标准格式，方便后续的训练和评测。
模型层（Model Layer）。 这是 Dexbotic 最核心的设计——模块化解耦。整个 VLA 模型被拆分为三个可独立替换的模块：
- Vision Encoder（视觉编码器）：负责处理视觉输入，将图像转化为视觉特征
- LLM（大语言模型）：负责语言理解和推理
- Action Expert（动作专家）：负责将推理结果转化为机器人动作
这三个模块可以像乐高积木一样自由组合。比如，你今天用的是 SigLIP 做视觉编码，明天如果有更好的视觉模型出来，直接替换 Vision Encoder 模块即可，不需要重写整套代码。同理，LLM 从 Llama 换到 Qwen，只需要改一行配置。
实验层（Experiment Layer）。 Dexbotic 采用了"实验为中心"（Experiment-Centric）的开发模式。使用者只需继承一个基础实验脚本，修改少量差异化参数，就可以开展新的实验。从复现 CogACT 切换到 OpenVLA-OFT，本质上只需要改一行代码：
class MyExp(BaseExp):
model = "CogACT" # 想切换到 OpenVLA-OFT？改成 "OFT" 就行4.3 Dexbotic 2.0 的关键能力
全面适配主流 VLA 算法。 Dexbotic 2.0 原生支持 Pi0.5、OpenVLA-OFT、CogACT、MemoryVLA 等多种先进 VLA 算法框架，同时也是 DM0 系列模型的原生开发环境。
操作与导航统一。 在真实的物理任务中，机器人往往需要先走到目标位置，然后才能开始操作。Dexbotic 2.0 在同一个框架下实现了 VLA（视觉-语言-动作）与 VLN（视觉-语言-导航）的统一，支持 NAVILA 等导航方案，为未来的全身控制（Whole-body Control）奠定了基础。
强大的预训练模型。 Dexbotic 提供了高性能的 DexboticVLM 预训练模型作为"通用底盘"。基于这个底盘训练出的 VLA 模型在多个基准测试中取得了显著提升。以 SimplerEnv 基准为例，基于 Dexbotic 预训练模型的 db-CogACT 成功率比官方 CogACT 绝对提升了 18.2%（从 51.3% 提升到 69.5%），db-OFT 更是取得了 46.2% 的绝对提升（从 30.2% 提升到 76.4%）。
标准化开发全流程。 Dexbotic 打造了"数据—训练—评测—硬件"的高效闭环，规范化了算法迭代的完整流程。
4.4 模仿学习 + 强化学习的统一
这一点需要特别展开讲，因为它涉及到具身智能训练范式的核心演进。
在大语言模型领域，目前公认最有效的训练范式是 SFT（监督微调） + RLHF（基于人类反馈的强化学习）。SFT 让模型学会基本的对话能力，RLHF 则通过人类反馈来精调模型的行为偏好。
Dexbotic 2.0 在具身智能领域构建了类似的双阶段训练体系：
- 第一阶段：VLA 预训练与 SFT。 由 Dexbotic 框架负责，通过大规模数据进行预训练，再用高质量的操作示范数据进行监督微调。这一阶段让模型掌握基本的操作能力。
- 第二阶段：大规模 RL 后训练。 由清华大学和无问芯穹合作开发的 RLinf 强化学习框架负责。在第一阶段的基础上，通过在真实或高保真仿真环境中的强化学习，进一步优化模型的操作策略。
两个阶段合在一起，就构成了具身智能版的 SFT+RLHF。这种训练范式的统一，是 Dexbotic 2.0 被称为具身智能"PyTorch 时刻"的重要原因之一。
4.5 开源生态与社区反响
Dexbotic 自首版发布以来，已经积累了相当可观的社区影响力。目前已有数十家机构在使用这一框架，包括清华大学、北京大学、普林斯顿大学、帝国理工学院、腾讯、北京具身智能机器人创新中心等，超过千位研发人员参与其中。
开源地址：
- GitHub：
https://github.com/Dexmal/dexbotic - HuggingFace：
https://huggingface.co/collections/Dexmal/dexbotic
4.6 快速上手指南（面向开发者）
对于想要尝试 Dexbotic 的开发者，以下是基本的环境搭建步骤（莫潇羽@无忆研习社 从官方文档中整理）：
# 克隆仓库
git clone https://github.com/Dexmal/dexbotic.git
# 创建 Python 环境
conda create -n dexbotic python=3.10 -y
conda activate dexbotic
# 安装依赖
pip install torch==2.2.2 torchvision==0.17.2 xformers \
--index-url https://download.pytorch.org/whl/cu118
cd dexbotic
pip install -e .
# 安装 FlashAttention（可选但推荐，用于加速推理）
pip install ninja packaging
pip install flash-attn --no-build-isolation安装完成后，可以下载预训练模型进行快速体验：
# 以 Libero 基准测试为例
mkdir -p checkpoints/libero
cd checkpoints/libero
git clone https://huggingface.co/Dexmal/libero-db-cogact libero_cogact单样本推理测试：
CUDA_VISIBLE_DEVICES=0 python playground/benchmarks/libero/libero_cogact.py \
--task inference_single \
--image_path test_data/libero_test.png \
--prompt 'What action should the robot take to put both moka pots on the stove?'也可以通过部署模型服务的方式进行测试（更适合实际部署场景）：
# 启动模型服务
python playground/benchmarks/libero/libero_cogact.py --task deploy_server
# 在另一个终端发送请求
curl -X POST \
-F "text=What action should the robot take to put both moka pots on the stove?" \
-F "image=@test_data/libero_test.png" \
http://localhost:7891/process_frame五、DFOL——让机器人"越用越聪明"的量产工作流
有了 DM0 模型和 Dexbotic 2.0 框架之后，最后一个关键问题是：如何让这套技术在实际的产业场景中规模化落地？
这是整个具身智能行业面临的共同挑战。用行业里常说的一句话来概括：具身智能的"死亡之谷"不是技术问题，是工程问题、是成本问题、是规模化复制的问题。
传统的工业机器人自动化是一次性交付模式——系统集成商把产线调好、参数设定好，交付给客户。但一旦现场情况发生变化（比如零件位置偏移了几毫米、换了一批外观略有差异的物料），机器人就可能"卡壳"，只能停机等工程师来重新调参、改程序。
原力灵机为此提出了 DFOL（Distributed Field Online Learning，分布式现场在线学习）方案，也被称为"具身原生应用量产工作流"。
5.1 DFOL 的核心理念
DFOL 的核心目标是：交付给客户的不是一个固定能力的机器人，而是一套能自我学习、自我进化、越用越聪明的系统。
传统方案的信息流是单向的：开发商 → 客户。一旦交付完成，系统的能力就被"封存"了。
DFOL 构建的是一个双向循环的数据飞轮：
┌───────────────────────────────────────────────┐
│ DFOL 数据飞轮 │
│ │
│ ┌──────────┐ ┌──────────────┐ │
│ │ 云端训练 │──────→ │ 模型下发到现场 │ │
│ └──────────┘ └──────────────┘ │
│ ↑ ↓ │
│ ┌──────────┐ ┌──────────────┐ │
│ │ 模型优化 │←────── │ 现场执行任务 │ │
│ └──────────┘ └──────────────┘ │
│ ↑ ↓ │
│ ┌──────────────────────────────────┐ │
│ │ 数据回流（episode + 负样本） │ │
│ └──────────────────────────────────┘ │
└───────────────────────────────────────────────┘5.2 数据回流机制
DFOL 的关键创新在于数据回流机制。在机器人现场执行任务的过程中，每一次操作都会被完整记录为一个 episode（操作片段），包括视觉输入、发出的动作指令、执行结果等。
特别关键的是负样本块（Negative Chunk） 的采集——机器人操作失败的案例同样会被记录并上传。这些失败案例对于模型的改进极为宝贵，因为它们精确标注了"什么情况下模型会犯错"，是最有针对性的训练数据。
这些数据实时上传到云端，云端的训练系统利用这些新数据对模型进行持续优化，优化后的新模型再下发到现场替换旧模型。如此循环往复，形成了"云端训练 → 现场执行 → 数据回流 → 模型优化"的完整数据飞轮。
5.3 DFOL 对于产业落地的意义
这个飞轮一旦转起来，会产生几个重要的效果：
持续进化。 系统不是"装上即封存"，而是在实际使用中不断积累经验、改进能力。使用时间越长，积累的数据越多，模型能力越强。这与传统自动化"装好什么样就是什么样"的模式形成了本质区别。
人机协同增强。 在 DFOL 框架下，现场工人的操作经验也被纳入了数据飞轮——工人在纠正机器人错误时的操作会被记录为正样本，工人的领域知识通过数据持续赋能给模型。人类经验与算法能力不断交织、相互赋能。随着时间推移，机器人越来越"懂"现场的具体情况，对人工干预的需求也会越来越少。
规模化复制的边际成本递减。 当一个场景的数据飞轮转起来之后，积累的数据和模型改进可以迁移到类似场景，大大降低新场景部署的调试成本。比如，在一条产线上训练好的"拧螺丝"能力，可以以很小的适配成本迁移到另一条类似产线，而不需要从零开始重新训练。
故障自愈能力。 在传统方案中，机器人遇到异常情况（比如物料摆放位置偏移、光照突变）就会停机报错。而在 DFOL 框架下，这些异常情况会被记录为负样本并上传到云端，模型经过优化后就能应对这些之前"没见过"的情况。系统具备了在一定范围内自主恢复和适应的能力。
5.4 DFOL 与传统自动化方案的对比
为了更清晰地理解 DFOL 的定位，莫潇羽@无忆研习社 整理了一个简要的对比框架：
传统自动化 DFOL 方
