原力灵机Dexmal MaaS升级：后训练上云，机器人模型能纠错持续进化
学操作、会纠错、还能持续进化。 作者 | 周加琦 编辑 | 漠影 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....
会学操作、会纠错，还能不断进化。
近来具身行业里冒出一个动向：推机器人模型服务的企业多了起来，比拼的重点也从模型能力本身，往调用、训练和部署延伸。
今年10月，美国的具身世界模型公司Dream Labs发布Dream-1，一并开放Dream API和模型微调服务。开发者能直接调用模型去控制机器人，也可以拿自己的数据做定制训练。
同一时间，Physical Intelligence推出Pi API，开发者可上传机器人操作数据，在云端完成模型微调和推理部署，再依据真实任务反馈不断优化模型。
其实国内企业动手更早。今年7月，原力灵机就发布了首个通用具身MaaS服务。
这些动作指向同一个信号：具身智能基础模型正加快走向服务化。企业和开发者不用自己研发模型，通过API也能让机器人获得操作能力。
可模型能被调用，不等于机器人就能真干活。让模型适配不同本体、完成真实任务、把成功率提上去，才是商业化落地的关键。
机器人前瞻11月6日报道，原力灵机近日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。
这次升级中，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。
01.
MaaS再升级，模型开发全流程打通
大语言模型主要处理文本、图像等信息，具身模型不一样，它要直接参与物理世界的交互：既要理解环境，还得按任务生成动作，再由机器人本体执行。算力、硬件适配和任务执行能力，要求都更高。
一头是模型规模和能力往上走，机器人本体那点算力资源，难以承载大模型推理需求。
另一头，通用模型虽有一定基础操作能力，但落到特定机器人和实际任务上，仍要靠后训练进一步适配。后训练平台建设工程量大，对企业的技术能力要求也不低。
所以具身MaaS不能只解决模型云端调用，还得把后训练能力当作服务提供出来。机器人企业不必自行搭建完整训练体系，也能针对具体任务定制模型。
在这之前，该平台基于自研具身模型DM0.5，已经能为客户或开发者提供模型调用、推理及云端部署服务。
DM0.5具备的Zero-shot能力，即便没有针对特定任务专门训练，也能完成抓取、放置、堆叠等基础操作。
但碰上不同场景、更具体的任务要求，模型仍需要用数据做针对性后训练。
这次Dexmal MaaS升级的一大重点，就是进一步开放模型后训练能力。
开发者可把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，还提供可视化的数据与模型管理工作台，数据准备和模型后训练的门槛都降低了。
训练完成后，模型能直接部署到MaaS平台，在云端推理，本体算力不足的问题也得到缓解。
到这一步，Dexmal MaaS把数据准备、模型后训练、部署及云端推理都整合进同一平台，形成一套完整的具身模型开发流程。相比过去，平台化服务少了重复开发，企业和开发者能把更多精力放在具体任务的适配与应用上。
02.
学操作、会纠错，机器人还能持续进化
机器人在实际任务中碰上的问题各不相同：有的要学新操作，有的要纠正执行过程中的动作偏差，还有的要针对反复出现的失败案例做优化。
问题不同，训练需求也不同。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。
第一类叫SFT，也就是监督微调，作用是让机器人掌握新的操作任务。它的训练素材主要来自人工示范的成功操作数据，模型从中学习任务里的操作方式和动作规律。用户把对应的成功操作数据传到平台上，模型就能学着把任务做出来，在原有模型的基础上进一步建立针对特定任务的执行能力。
第二类是DAgger，即数据集聚合，用来自己纠正执行中的偏差。实际做操作任务时，物理环境不一样、物体位置有变化、操作本身有偏差，这些因素都会让现场情况和原来的示范对不上。在SFT训练的基础上，用户可以再引入有效的DAgger纠错数据，放到平台上训练和迭代。这样一来，模型能学会在不同状态下怎么调整动作，实际任务中的执行表现也会改善。
第三类是RECAP，靠失败案例进一步优化操作策略。前两个阶段训练完之后，机器人碰到一些复杂或特殊的情况，仍然可能失败。RECAP会把SFT、DAgger以及Fail Case等数据都用上，再结合平台训练的价值模型，对任务进展做评价和价值标注，为策略优化提供依据。
这三类后训练方案彼此独立，又能形成递进关系。从横向看，三种方案各自覆盖机器人模型能力优化的不同阶段，灵活性较强，用户遇到什么任务问题，就选对应的训练方式。从纵向看，数据积累能让它们层层递进：不同阶段产生的训练数据会持续沉淀，进入后续优化流程，模型在已有能力上不断完善。
落到实际效果，Dexmal MaaS支持的模型在真实场景原子任务测试中成功率达到了100%。
03.
打通真机接入，让模型能力落地更多场景
模型训练、部署完成之后，还得接入本体。原力灵机在这件事上给了两条路：DexOS Lite和MaaS API。前者是轻量化客户端，把推理循环、图像处理、多步动作执行、请求重试等能力集于一身，帮机器人快速接上云端模型，并对原力灵机Mirror等机型提供原生支持。
需要深度定制的场景，用户可以直接调用MaaS API，按照机器人本体、控制系统和业务流程灵活集成。
能不能真干活，最终要看真实场景里的表现。目前Dexmal MaaS已经在物流仓储、生产制造和工业作业等场景展开应用。
物流仓储方面，搭载MaaS的桌面机器人已部署在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%。仓库里商品数量庞大、规格各异，机器人能稳定抓取数千个SKU，还能和搬运机器人配合完成拆零分拣。
消费品生产领域，依托MaaS，机械臂可以协同完成护肤品套组装配，把物品快速、稳定地放到产线上。
接口插拔这类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。
04.
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，不该只落在少数机器人的能力突破上，更要紧的是让能力被更多企业拿到、被不同任务复用，真正融进生产体系。
当模型能力不再困在单一产品和企业里，而是成为能持续调用、适配和复用的产业资源，具身智能才算走进更多产业环节，变成可复制的生产力。
