高德全量开源具身操作基座模型ABot-M0

近日，高德宣布正式全量开源ABot-M0——全球首个基于统一架构的 机器人 具身操作基座模型，可实现一个“通用大脑”适配多种形态的具身机器人。

据悉，该模型在Libero、Libero-Plus、RoboCasa等多个权威基准测试中实现SOTA。其中在Libero-Plus基准上，该模型的任务成功率达80.5%，较业界此前的标杆方案 Pi 0提升近30%。

ABot-M0模型架构图

此次ABot-M0的开源涵盖数据、 算法 与模型三大维度，旨在突破数据孤岛与部署难点，为具身智能领域提供前沿的空间理解能力，以及"开箱即用"的通用技术基座。

数据层面，ABot-M0开源了目前规模最大的通用机器人数据集Uni AC T，整合超过600万条真实操作轨迹，并提供从原始异构数据到标准化训练数据的全流程处理管线。 通过统一动作表示、坐标系与控制频率，该数据集让分散全球的异构机器人数据能够统一使用，大幅提升预训练效率。

算法层面，ABot-M0同步开源了模型架构与训练框架，其中包含高德创新提出的动作流形学习（AML）算法与双流感知架构。 AML摒弃传统噪声干扰的预测方式，让模型直接预测物理上可行的动作序列，而不是反复试错，显著提升解码效率与策略稳定；双流感知架构，不仅利用 VLM (Qwen3-VL) 提供高级语义理解，还允许通过一个“即插即用”的 3D 模块（如 VGGT）注入几何先验，增强模型的空间理解能力，无需修改骨干网络，即可弥补标准VLM在3D推理上的短板。

模型层面，ABot-M0一并开源了端到端的预训练模型与完整工具链， 开发者 无需从零搭建训练框架即可快速适配工业、家庭等场景。统一架构验证了"一个大脑驱动多种形态"的可行性，为"通用大脑+专用躯体"的产业标准形成，提供了实证支撑。

ABot-M0在Libero-Plus的评测结果

面向真实世界的空间理解，本身就是机器人的核心能力。而ABot-M0此次开源，标志着高德实质性参与到了全球具身智能社区的发展过程中，为后续技术标准的演进贡献了全新思路。

"我们相信，真正的通用具身智能不是闭门造车的产物，而是全球开发者共同打磨的结果。"高德ABot-M0技术负责人表示，"期待ABot-M0成为连接学术研究与产业应用的桥梁，让每一台机器人都能拥有聪明、可靠、通用的'大脑'。"

项目资源：

论文标题：ABot-M0: VLA Founda ti on Model for Robotic Manipulation with Action Manifold Learning

项目主页：https://amap-cvlab.github.io/ABot-Manipulation

代码地址：https://github.com/amap-cvlab/ABot-Manipulation

论文全文：https://arxiv.org/pdf/2602.11236