机器人前瞻（公众号：robot_pro）作者 周加琦编辑 漠影

【资料图】

最近，具身行业出现一个值得关注的动向：越来越多企业开始推出机器人模型服务，模型竞争也在从能力本身延伸到调用、训练和部署。

今年10月，美国具身世界模型企业Dream Labs发布Dream-1，同时开放Dream API和模型微调服务，让开发者能够直接调用模型控制机器人，并利用自己的数据进行定制训练。

同一时间，Physical Intelligence也推出Pi API，支持开发者上传机器人操作数据，在云端完成模型微调和推理部署，并根据真实任务反馈持续优化模型。

事实上，国内企业在这一方向的布局更早。早在今年7月，原力灵机就已发布首个通用具身MaaS服务。

这些动作共同释放出一个明显的信号：具身智能基础模型正在加快走向服务化，企业和开发者不必依赖自研模型，也可以通过API让机器人获得操作能力。

不过，模型能够被调用，不代表机器人就能真正干活。如何让模型适配不同本体、完成真实任务，并提高成功率，才是商业化落地的关键。

机器人前瞻11月5日报道，近日，原力灵机宣布升级旗下具身智能模型服务平台Dexmal MaaS，重点推出面向真实场景的后训练能力，支持开发者上传机器人操作数据，在云端完成模型训练与部署推理。

此次升级，平台支持SFT、DAgger、RECAP三类模型后训练Pipeline，并提供DexOS Lite、MaaS API等接入方式。

一、MaaS再升级，模型开发全流程打通

与大语言模型主要处理文本、图像等信息不同，具身模型需要直接参与物理世界的交互，不仅要理解环境，还要根据任务生成动作，并通过机器人本体执行，这对模型的算力、硬件适配和任务执行能力都提出了更高要求。

一方面，随着模型规模和能力的提升，机器人本体有限的算力资源难以承载大模型推理需求。

另一方面，通用模型虽然具备一定的基础操作能力，但面对特定机器人和实际任务，仍需要通过后训练进一步适配。而后训练平台建设工程量大，对企业的技术能力也提出较高要求。

因此，具身MaaS不仅要解决模型的云端调用问题，还需要将后训练能力作为服务提供，让机器人企业无需自行搭建完整的训练体系，也能针对具体任务定制模型。

在此之前，该平台基于其自研具身模型DM0.5，已经能够为客户或开发者提供模型调用、推理及云端部署服务。其中，DM0.5具备的Zero-shot能力，在没有针对特定任务进行专门训练的情况下，就能完成抓取、放置、堆叠等基础操作。

不过，在面对不同场景，且更加具体的任务要求时，模型仍需要利用数据进行针对性后训练。

此次Dexmal MaaS升级的一大重点，就是进一步开放模型后训练能力。

开发者可以将已有的机器人操作数据上传至平台，基于DM0.5开展针对性训练。Dexmal MaaS支持LeRobot v3格式数据集，并提供可视化的数据与模型管理工作台，降低数据准备和模型后训练的使用门槛。

完成训练后，模型还可以直接部署到MaaS平台，在云端进行推理，缓解本体算力不足的问题。

至此，Dexmal MaaS已经将数据准备、模型后训练、部署及云端推理整合到同一平台，形成一套完整的具身模型开发流程。相比过去，Dexmal MaaS平台化服务减少了重复开发工作，也让企业和开发者能够将更多精力投入具体任务的适配与应用。

二、学操作、会纠错，机器人还能持续进化

机器人在实际任务中遇到的问题并不相同，有的需要学习新的操作，有的需要纠正执行过程中的动作偏差，还有的需要针对反复出现的失败案例进行优化。

不同问题对应不同的训练需求。针对这些情况，原力灵机在Dexmal MaaS中提供了SFT、DAgger、RECAP三类模型后训练Pipeline。

第一类是SFT（监督微调），让机器人学会操作新任务。

SFT主要利用人工示范的成功操作数据进行训练，让模型学习任务中的操作方式和动作规律。用户可以将相应成功的机器人操作数据上传至平台，让模型学习如何完成，在原有模型基础上进一步建立特定的任务执行能力。

第二类是DAgger（数据集聚合），自行纠正执行偏差。

在具体操作任务时，会因为物理环境不同、物体位置变化以及操作偏差等因素，出现与原有示范不同的情况。在SFT训练的基础上，用户可进一步引入有效的DAgger纠错数据，在平台进行训练和迭代。基于此，模型可以学习在不同状态下如何调整动作，改善实际任务中的执行表现。

第三类是RECAP，利用失败案例进一步优化操作策略。

即使经过前两个阶段的训练，机器人在面对一些复杂或特殊的情况仍可能出现失败。RECAP进一步利用SFT、DAgger以及Fail Case等数据，结合平台训练的价值模型，对任务进展评价和价值标注，为模型策略优化提供依据。

三类后训练方案既相互独立，又能够形成递进关系。

横向看，三种方案分别覆盖机器人模型能力优化的不同阶段，具有较强的灵活性。用户可以根据实际任务中遇到的问题，选择对应的训练方式。

纵向看，它们能通过数据积累形成递进关系。不同阶段产生的训练数据可以持续沉淀，进入后续优化流程，让模型在已有能力的基础上不断完善。

在实际效果上，Dexmal MaaS支持的模型在真实场景原子任务测试中实现了100%的成功率。

三、打通真机接入，让模型能力落地更多场景

模型完成训练和部署后，还需要接入本体。在这一方面，原力灵机提供DexOS Lite和MaaS API两种方式。

其中，DexOS Lite提供轻量化客户端，集成推理循环、图像处理、多步动作执行和请求重试等能力，帮助机器人快速接入云端模型，并对原力灵机Mirror等机型提供原生支持。

对于需要深度定制的场景，用户也可以直接调用MaaS API，根据机器人本体、控制系统和业务流程进行灵活集成。

能不能真正干活，最终还要看它在真实场景中的表现。目前，Dexmal MaaS已在物流仓储、生产制造和工业作业等场景展开应用。

其中，在物流仓储中，搭载MaaS的桌面机器人已部署于传送线侧，承担供包任务，综合作业节拍超过1200件/小时，整体成功率超过99%。

面对仓库中数量庞大、规格不同的商品，机器人能稳定抓取数千个SKU，并与搬运机器人配合完成拆零分拣。

在消费品生产领域，依托MaaS，机械臂能够协同完成护肤品套组装配，快速、稳定地将物品放置到产线上。

此外，在接口插拔等对定位和操作精度要求较高的工业任务中，原力灵机通过MaaS为桌面机器人提供模型能力，实现了亚毫米级精度的质检。

结语：模型服务化提速，具身智能加快走向规模化应用

具身智能的产业价值，不应该只体现在少数机器人的能力突破上，更在于让能力能够被更多企业获得、被不同任务复用，真正融入生产体系。

当模型能力不再局限于单一产品和企业，而是成为可以持续调用、适配和复用的产业资源，具身智能才能真正进入更多产业环节，转化为可复制的生产力。