论文专题讲解：DM0.5：开放世界具身基础模型

论文专题讲解：DM0.5：开放世界具身基础模型

Charles Lv8
  2026-05-10 09:00 2026-05-10 09:00 Created   2026-05-10 09:00 2026-05-10 09:00 Updated      6.3k Words  24 Mins  
论文信息

官方题名： DM0.5: An Open-World Foundation Model for General-Purpose Embodied Intelligence。

作者 / 团队： Dexmal；官方博客和 OpenDM README 未列出个人作者，本文按官方团队材料处理。

时间 / 主题： 2026-07；具身智能 / VLA / 开放世界机器人控制。

官方博客 / 项目： 技术博客：dexmal.com/blog/dm0.5；GitHub：dexmal/opendm。

模型： Hugging Face collection：Dexmal/dm05，含 Dexmal/DM05 与 Dexmal/DM05-libero。

相关前作： DM0 arXiv：2602.14974；Dexbotic DM0 tutorial：docs/DM0.md。

元数据来源与核验口径： 来源：官方博客、OpenDM README、Hugging Face collection、DM0 arXiv 页面；Checked Date：2026-07-09；Repro Status：Official blog / official repo / official model collection reviewed, independent reproduction not claimed。

原论文故事线

研究背景

DM0.5 延续 DM0 的 embodied-native VLA 路线。DM0 的关键判断是：不要把互联网预训练 VLM 当成完全外部的语义模型，再用少量机器人数据做动作后处理；而要从预训练阶段就混入 embodied manipulation、navigation 和交互日志，让语义知识、空间先验和动作生成在同一个系统里形成接口。

DM0.5 进一步把问题推向开放世界。真实机器人不只是在固定实验台上复现任务列表，还要处理自然语言约束、物体状态变化、相机视角变化、人为扰动、长时记忆和不同机器人 embodiment。官方博客给出的定位是：DM0.5 不只是更大的 DM0，而是围绕历史上下文、embodied reasoning、动态动作监督和数据清洗做系统升级。

问题（Challenge）

DM0.5 要解决的问题是：一个 VLA policy 怎样在开放环境中同时具备 zero-shot 执行、有限数据 fine-tuning、长上下文记忆、扰动鲁棒性和多 embodiment 迁移。 这比单一 benchmark 成功率更难，因为模型需要知道“当前动作为什么必要”，也要知道“过去发生了什么”和“当前感知变化是否应该改变动作”。

难点主要有四类。第一，当前帧不一定包含所有任务条件，例如杯子原始位置、早期人类示范规则或已经完成的子步骤。第二，机器人遥操作数据有速度差异，同一任务的动作时间轴不严格对齐。第三，开放环境中相机、光照、人为扰动和物体位置会改变执行轨迹。第四，多机器人、多任务、多源数据如果没有清洗和对齐，会把噪声直接写进动作监督。

Finding

DM0.5 的核心 finding 可以概括为：开放世界 VLA 的瓶颈不只是 action head 能否拟合动作，而是上下文记忆、任务阶段推理、动作时间对齐和多源数据质量能否一起支撑稳定闭环。 这把问题从“当前图像到动作”推进到“历史、语义、进度和动作 chunk 的联合建模”。

这个洞见能解释 DM0.5 的几个设计：历史上下文解决非 Markov 状态，embodiment CoT 任务把机器人数据扩展成语言监督下的任务进度和事件预测，Trajectory Alignment Layer 用动态匹配降低遥操作速度噪声，数据清洗则防止异常状态、静止片段和错误标注污染 action distribution。

方法

DM0.5 使用 Gemma3 4B VLM 作为 backbone，接一个 680M Action Expert 生成连续动作。官方博客描述它支持最长约 60 秒历史上下文；推理时输入当前帧和若干历史关键帧，训练时对历史 slots 做时间采样、空间采样、token 压缩、随机长度和历史增强，让模型既能利用长历史，也能在历史缺失时退回当前观测驱动。

训练中加入 11 类 robot-data autoregressive tasks，分为 task planning、event/environment prediction 和 action generation 三类。动作侧仍基于 Flow Matching，但引入 Trajectory Alignment Layer：模型输出固定长度未来动作段，监督信号在更细粒度真实轨迹上做单调动态匹配，从而允许不同示教速度，同时避免跳过抓取、对齐、接触、释放等关键阶段。

结论

官方博客报告 DM0.5 在 zero-shot 操作、RoboChallenge Table30 v2、LIBERO、RoboTwin2.0、R2R/RxR navigation、历史记忆、相机视角和人为扰动实验中表现强。最具体的数值包括：Table30 v2 总体 Success Rate 为 43%、Score 为 54.42；LIBERO Average 为 99.0；RoboTwin2.0 Average 为 93.5；R2R Val-Unseen SR 为 59.7；RxR Val-Unseen SR 为 65.5。OpenDM 也释放了 DM05 和 DM05-libero 权重。

边界同样要讲清：DM0.5 当前主要是官方博客、官方代码和官方模型集合披露；没有看到独立第三方复现或完整论文级消融细节。zero-shot 和鲁棒性 demo 能说明能力形态，但不能等同于开放家庭环境长期部署；Table30 v2 与 simulated benchmarks 也不能直接证明所有机器人平台都可稳定迁移。

关键术语

  • Open-world embodied foundation model（开放世界具身基础模型）：面向非固定任务、非固定场景和自然语言约束的机器人 VLA 模型。
  • Historical Context Fusion（历史上下文融合）：把当前观测和过去关键帧一起编码，用于恢复任务进度、已移动物体和早期示范规则。
  • Embodiment CoT Tasks（具身链式思考任务）：在机器人数据上加入自回归语言任务，让模型预测任务阶段、事件变化和动作意图。
  • Trajectory Alignment Layer（轨迹对齐层）：用动态匹配把预测动作段和真实遥操作轨迹按进度对齐，而不是按固定时间戳硬对齐。
  • Flow Matching（流匹配）：连续动作生成目标，用速度场学习从噪声到动作轨迹的变换。
  • Action Chunk（动作块）：一次推理生成的一段未来动作；DM0.5 官方默认描述为 10 个 Flow Matching steps 生成 50-step action chunk。
  • Multi-embodiment Transfer（多形态机器人迁移）：通过多机器人、多任务训练，使模型可经后训练迁移到预训练未见过的机器人形态。

DM0.5 最值得抓住的不是某一个 benchmark 数字，而是它把 VLA 的工程重心从“当前帧动作预测”转到“历史上下文 + 任务进度推理 + 动作监督对齐 + 多源数据清洗”。这让它和 π0.5、Qwen-RobotManip、kai0 形成一条很清楚的对照线：π0.5 强调开放世界任务组织，Qwen-RobotManip 强调 alignment unlocks scale，kai0 强调部署分布一致性，DM0.5 则强调开放环境里的长上下文和动态动作匹配。

证据等级与外推边界

结论 主要证据 可吸收为工程判断 不能直接外推
历史上下文能帮助长时任务 官方博客的 60 秒上下文描述、cup wipe table 和 human demonstration demos 当前帧不够时，VLA 应显式接入历史关键帧或 episode context demo 不是严格消融；没有公开完整错误率分解
动态动作匹配能降低遥操作速度噪声 Trajectory Alignment Layer 方法描述 action chunk 监督不应只按固定时间索引对齐，可按轨迹进度做单调匹配 官方博客未给完整公式和独立 ablation 数字
多源数据清洗是 VLA scale 的前提 outlier/static/low-value/dedup/relabeling 策略 机器人数据小时数不能直接等于有效训练信号，必须做跨模态一致性检查 清洗阈值、规则和内部数据细节未完全公开
DM0.5 在 Table30 v2 与模拟 benchmark 上领先 官方博客 Table30 v2、LIBERO、RoboTwin2.0、R2R/RxR 表格 可作为官方报告性能和训练 recipe 参考 不能当作第三方复现；不同 benchmark 口径不可直接横比
OpenDM 提供可用模型和训练/推理脚本 GitHub README 与 HF collection 可以作为 fine-tuning / inference 起点 权重可用不等于论文主结果可一键复现

论文位置

DM0.5 放在具身智能专题里，应读作一篇 VLA 系统升级报告，不是单纯 action head 论文。它继承 DM0 的 embodied-native 预训练路线，又把开放世界部署最痛的几个问题放到模型和数据管线里。

DM0.5 hero 官方图

图源：DM0.5 官方博客，hero image。原图用于展示 DM0.5 面向开放世界桌面操作、双臂协作和真实机器人任务的系统定位；它是能力版图示意，不是单独实验结果。

可以用一条链路定位 DM0.5：

1
2
3
DM0：embodied-native VLA 预训练
  -> DM0.5：加入历史上下文、embodied CoT、动态动作匹配和多源数据清洗
      -> OpenDM：开放 DM05 / DM05-libero 权重、训练和推理脚本

这条路线与 Qwen-RobotManip 的差别在侧重点。Qwen-RobotManip 的关键词是跨 embodiment action/state 对齐和数据规模；DM0.5 的关键词是开放场景里的上下文记忆、任务进度推理和动作时间对齐。两者都在回答同一个大问题：机器人数据不是文本数据，规模收益必须先经过物理接口和时间结构的整理。

总体架构

DM0.5 architecture overview 官方图

图源：DM0.5 官方博客，architecture overview。原图意图：展示 Gemma3 4B VLM、680M Action Expert、历史上下文、embodied reasoning、Flow Matching action generation、Trajectory Alignment Layer 和数据清洗之间的关系。

Figure 怎么读。
先看 backbone：DM0.5 用 Gemma3 4B VLM 承担视觉、语言和空间语义表示；再看 action side：680M Action Expert 负责连续动作生成。中间最关键的是两条补充信号：历史上下文把过去关键帧接进当前决策，embodiment CoT 把机器人数据变成任务阶段、事件变化和动作意图的语言监督。最后，Trajectory Alignment Layer 和数据清洗处理的是动作标签质量，而不是推理时多一个显式 planner。

这张图支撑的是“开放世界 VLA 需要多信号训练和动作监督对齐”。它不能单独证明 DM0.5 已拥有完整物理世界模型，也不能证明模型能在任意家庭环境长期自主恢复失败。

Component 官方描述 作用
VLM backbone Gemma3 4B 编码视觉、语言、空间语义和历史上下文
Action Expert 680M 通过 Flow Matching 生成连续动作
Historical context up to 60 seconds 让模型利用过去关键状态、示范规则和任务进度
Embodiment CoT 11 autoregressive tasks 监督 task planning、event/environment prediction 和 action generation
Trajectory Alignment monotonic dynamic matching 用轨迹进度对齐动作监督，缓解不同示教速度
Inference 10 Flow Matching steps, 50-step chunk；10 Hz on RTX 4090, 20 Hz on H100 说明 action chunk 推理的部署口径

Context Abstraction Layer：从当前帧走向 episode 记忆

传统 VLA 常把当前图像、当前机器人状态和指令作为输入。这对短程、局部、近似 Markov 的任务够用，但开放任务经常不是 Markov 的：目标曾经在哪里、哪个区域已经清理过、人类最开始示范了什么规则，这些信息可能在当前帧里消失。

DM0.5 的 Context Abstraction Layer 试图补这个缺口。推理时，模型接收当前帧和过去若干关键帧；训练时，对历史 slots 做 temporal sampling、spatial sampling 和 token compression，并随机化历史长度。这种做法有两个工程含义：

设计 解决的问题 具身系统读法
历史关键帧 当前帧看不到被移动前的位置或早期示范 episode memory 要进入 policy，而不只是日志回放
随机历史长度 部署时历史可能缺失或质量不稳定 模型要学会在长历史、短历史和无有效历史间退化
token compression 多相机、长历史带来上下文成本 历史必须压缩成可训练、可推理的表示预算

官方博客中的两个历史记忆 demo 对应短期和长期两种情况：一个是拿起杯子、擦桌子、再把杯子放回原位；另一个是早期人类示范电池摆放规则，机器人后续执行时保持这个规则。它们说明历史上下文可以参与动作预测，但证据等级是 official demo，还不是严格的 memory ablation。

Embodiment CoT：让机器人数据不只监督动作

DM0.5 在 robot data 上加入 11 类自回归任务，官方归成三组：

Task family 监督内容 为什么有用
Task planning 当前任务阶段、过去/未来步骤关系、总体进度 缓解“视觉相似但阶段不同”的动作混淆
Event and environment prediction 边界、状态转移、关键未来事件 强化动态场景和阶段变化表征
Action generation 未来动作或动作意图摘要 在连续动作生成前形成语义层面的行为计划

这里的 CoT 不应理解成把大语言模型的自由推理原样搬到机器人控制里。更稳的读法是：它是一种把机器人 episode 重新标注成多任务监督的方式。模型不仅要回归 action，还要回答“任务到哪一步了”“接下来为什么要这样做”“环境会发生什么变化”。这样可以让 VLM backbone 更少退化成单纯视觉到动作映射。

与 Qwen-RobotManip 的 VLA/VLM co-training 类似，DM0.5 也在处理一个共同风险：后训练如果只优化动作，VLM 的语言和场景理解能力可能被削弱。DM0.5 选择用 embodied reasoning tasks 把机器人数据本身扩展成语言和时间理解监督。

Trajectory Alignment Layer：不要把遥操作速度当成物理规律

机器人示教轨迹的时间轴很嘈杂。同一个 pick-and-place，有的人动作快，有的人动作慢；同一阶段内部也可能因为犹豫、微调、接触误差而拉长。如果模型被迫在固定时间戳上预测动作，就可能学到“示教者的节奏”，而不是任务本身的进度。

DM0.5 的 Trajectory Alignment Layer 可以抽象成一个单调匹配问题。设模型输出固定长度动作段

A^=(a^1,a^2,…,a^M),\hat A=(\hat a_1,\hat a_2,\ldots,\hat a_M),

真实轨迹提供更细粒度动作 anchors：

A=(a1,a2,…,aN),N≥M.A=(a_1,a_2,\ldots,a_N), \quad N\ge M.

训练时选择单调索引

1≤j1<j2<⋯<jM≤N,1\le j_1<j_2<\cdots<j_M\le N,

让匹配损失尽量小：

min⁡j1<⋯<jM∑i=1Md(a^i,aji)+λC(ji−1,ji).\min_{j_1<\cdots<j_M}\sum_{i=1}^{M} d(\hat a_i,a_{j_i})+\lambda C(j_{i-1},j_i).

这里 dd 表示预测动作和候选 anchor 的误差，CC 表示相邻 anchors 之间的轨迹连续性约束。上式是本站根据官方描述写出的读法，不是官方博客给出的原始公式。关键是两点：匹配必须单调，避免时间倒流；同时要看相邻 anchors 之间的连续轨迹，避免只挑局部容易点而跳过抓取、接触和释放。

这类设计对 VLA 很重要，因为 action chunk 训练本质上是在压缩未来一段控制信号。固定时间对齐会把不同示教速度误当作监督噪声；动态进度对齐则更接近“当前动作段应该覆盖哪个任务阶段”。

数据：多源混合之前先清洗

官方博客把 DM0.5 数据分成四类：robotic manipulation、embodied navigation、first-person human manipulation 和 general multimodal vision-language data。这里最值得看的是数据清洗，而不是只看来源数量。

Cleaning strategy 官方描述的问题 工程含义
Outlier removal ROS 记录中异常大、小或不连续的状态 / 动作值 state/action 先过物理可达性和连续性检查
Static-frame removal 图像和机器人状态长时间静止 静止片段会降低动作响应性，也浪费训练预算
Low-value action removal 不完整执行、意图不清或与任务无关行为 不是所有真实机器人数据都该进 policy 训练
Action-pattern deduplication ALOHA 等平台中不同 joint 组合对应近似 EEF 运动 要减少等价动作模式互相冲突
Relabeling incorrect annotations 原始任务标注错误 用跨模态一致性检查修正 subtask labels

这一点和本站多篇具身论文的经验一致：机器人数据的难点不是“能不能记录下来”，而是“记录下来的图像、状态、动作、指令和阶段标签是否同向”。如果数据质量没有先被处理，scale 会把错误的控制约定放大。

实验与结论

Zero-shot generalization

官方博客把 zero-shot 评测拆成 action type 和 conditional constraint 两条轴。action type 包括 pick、put、move、pull、cover、wipe、stack、press；condition 包括 color、shape、size、status、sequence、relative position、absolute position。比较平台包括 Franka 上的 Pi0.5-Droid / DM0.5-Droid，以及 Dexmal-Mirror 上的 DM0 / DM0.5。

DM0.5 zero-shot atomic action 官方图

图源：DM0.5 官方博客，zero-shot results by atomic action。原图表达不同原子动作类别上的 zero-shot success rate 对比；读数边界是官方测试设置，不能直接外推到所有开放环境。

DM0.5 zero-shot instruction constraint 官方图

图源：DM0.5 官方博客，zero-shot results by instruction constraint。原图表达不同语义约束类别上的 zero-shot success rate 对比；它支撑 DM0.5 在语言条件操作上的官方报告优势，但不等同于独立复现。

这两张图要一起读。第一张看动作覆盖：模型是否只会 pick/place，还是能处理 wipe、stack、press 这类更具接触或阶段要求的动作。第二张看语言约束：模型是否只认物体名，还是能处理颜色、大小、状态、顺序和相对/绝对空间关系。它们支撑的是“zero-shot 操作覆盖更宽”，不是“开放世界问题已解决”。

Fine-tuning capability

官方博客报告 DM0.5 在 RoboChallenge Table30 v2 上达到 43% Success Rate 和 54.42 Score。这个 benchmark 覆盖长期记忆、多步顺序执行、视觉定位、精细 pick-and-place、工具交互和双臂协调。需要注意，Table30 v2 结果没有在博客中逐项列全表，页面给的是总体分数和若干任务能力解释。

模拟 benchmark 表格可以保留原英文字段：

Method Spatial Object Goal Long Average
π0 96.8 98.8 95.8 85.2 94.2
π0.5 98.8 98.2 98.0 92.4 96.9
OpenVLA-OFT 97.6 98.4 97.9 94.5 97.1
GR00T N1.7 97.7 98.5 97.5 94.4 97.0
StarVLA 99.0 99.8 98.5 94.1 97.9
ABot-M0 98.8 99.8 99.0 96.6 98.6
Being-H0.5 99.2 99.6 99.4 97.4 98.9
Cosmos Policy 98.1 100.0 98.2 97.6 98.5
DM0.5 99.0 99.8 99.6 97.4 99.0

表源：DM0.5 官方博客，LIBERO benchmark。读数边界：这是官方汇总，且 LIBERO 的高分区间已经接近饱和；Average 差异需要结合任务拆分、训练设置和统计方差读。

Method Clean Randomized Average
π0 65.9 58.4 62.2
π0.5 82.7 76.8 79.8
Motus 88.7 87.0 87.9
LingBot-VLA 86.5 85.3 85.9
LingBot-VA 92.9 91.5 92.2
ABot-M0 86.1 85.1 85.6
StarVLA 88.2 88.3 88.3
Being-H0.7 90.2 89.6 89.9
Qwen-VLA 86.1 87.2 86.7
DM0.5 93.6 93.3 93.5

表源：DM0.5 官方博客，RoboTwin2.0 benchmark。读数边界：Randomized 更接近分布扰动能力，但仍是仿真 benchmark，不能直接替代真实机器人闭环长期运行。

DM0.5 还给出 navigation 版本在 R2R / RxR Val-Unseen 上的结果：

Method R2R Val-Unseen NE↓ R2R Val-Unseen OS↑ R2R Val-Unseen SR↑ R2R Val-Unseen SPL↑ RxR Val-Unseen NE↓ RxR Val-Unseen SR↑ RxR Val-Unseen SPL↑ RxR Val-Unseen nDTW↑
NaVid 5.7 49.2 41.9 36.5 5.7 45.7 38.2 -
Uni-NaVid 5.6 53.3 47.0 42.7 6.2 48.7 40.9 -
NaVILA 5.2 62.5 54.0 49.0 6.8 49.3 44.0 58.8
StreamVLN 5.0 64.2 56.9 51.9 6.2 52.9 46.0 61.9
Qwen-VLA-Instruct 5.1 69.0 57.5 51.2 5.8 59.6 47.8 57.1
DM0.5-Nav 4.8 69.5 59.7 48.6 4.8 65.5 51.0 64.2

表源：DM0.5 官方博客，R2R / RxR navigation results。这里说明 DM0.5 路线覆盖 embodied navigation，但 manipulation 和 navigation 的动作接口、评测口径不同，不能把二者简单合成一个总能力分。

Camera viewpoint robustness

DM0.5 camera positions 官方图

图源：DM0.5 官方博客，camera positions on Franka platform。原图表达 3 个左侧第三人称相机位置与 3 个右侧第三人称相机位置的组合，用来测试视角变化下的 pick-and-place 鲁棒性。

Pos L1/R1 L2/R1 L3/R1 L1/R2 L2/R2 L3/R2 L1/R3 L2/R3 L3/R3
SR 100% 90% 80% 90% 90% 90% 80% 90% 90%

表源：DM0.5 官方博客，camera viewpoint experiment。每个配置 10 次连续 pick-and-place trials；样本量较小，适合作为鲁棒性现象证据，不宜过度解释成泛化保证。

这个实验的读法是两阶段视觉控制：第三人称相机提供全局粗定位，腕部相机提供局部精调。极端第三人称视角会放大第一阶段空间偏移，但腕部相机仍可能帮助局部修正。对机器人系统来说，这比“某个固定摄像头最好”更有启发：多视角策略要区分 global guidance 和 local refinement。

对具身智能的启发

DM0.5 对具身智能项目的启发可以压成四点。

启发 可落地做法 风险
让历史进入 policy 保存 episode keyframes、已完成子任务、物体初始位置和示范规则 历史太长会提高上下文和延迟成本
把机器人数据转成多任务监督 给 episode 添加阶段、事件、动作意图和未来变化标签 自动标注错误会污染 reasoning signal
按轨迹进度对齐动作 用 monotonic matching / dynamic programming 处理不同示教速度 如果关键阶段被错误压缩，模型会跳步
数据清洗优先于堆数据量 检查 state/action 连续性、静止片段、低价值行为、标注一致性 内部阈值不透明时，复现难度会上升

和 kai0 对读时，DM0.5 更偏“预训练和后训练数据管线”，kai0 更偏“部署分布一致性和真机长时可靠性”。两者真正重合的地方是：高可靠机器人不是只靠模型架构，而是靠数据、训练、推理、控制和评测一起闭环。

局限与风险

第一，DM0.5 目前最主要的技术来源是官方博客和官方开源材料，而不是完整论文。博客披露了架构、训练思想、数据清洗策略和结果表，但缺少更细粒度的消融、方差、失败案例统计和评测配置细节。

第二，部分能力证据是 demo 或官方系统测试。历史记忆和人为扰动视频能说明模型行为形态，但不能直接当作大样本成功率；相机视角实验每个配置 10 次，也更适合做现象验证而不是统计定论。

第三，OpenDM 释放权重和脚本降低了复用门槛，但从“能下载模型”到“复现官方 Table30 v2 / RoboTwin2.0 / R2R 结果”之间仍有数据、硬件、norm stats、benchmark client 和训练 recipe 差异。本文不把官方 repo 可用写成独立复现。

第四，DM0.5 的多 embodiment transfer 仍需要后训练。官方说它可以迁移到预训练未见过的 embodiment，但这不是 zero-shot 适配所有机器人；新的自由度、控制频率、相机外参、夹爪/灵巧手接口和安全控制都需要重新验证。

阅读结论

DM0.5 是一篇值得放进具身智能专题的官方系统报告：它没有把开放世界 VLA 简化成更大模型，而是把历史上下文、embodied reasoning、动态动作匹配和数据清洗都放进训练闭环。可复用机制主要在四处：episode memory、robot-data autoregressive tasks、monotonic trajectory matching、multi-source data cleaning。不可外推的是长期真实家庭部署、跨所有 embodiment 的直接迁移和独立复现成功率。下一步最需要的证据，是公开 ablation、失败案例、第三方 benchmark 复现、真实机器人长时运行日志，以及不同历史长度和动作匹配策略的系统对比。

外部精读

  • Title: 论文专题讲解：DM0.5：开放世界具身基础模型
  • Author: Charles
  • Created at : 2026-05-10 09:00:00
  • Updated at : 2026-05-10 09:00:00
  • Link: https://charles2530.github.io/2026/05/10/ai-files-paper-deep-dives-embodied-ai-dm05/
  • License: This work is licensed under CC BY-NC-SA 4.0.
Comments
On this page
论文专题讲解：DM0.5：开放世界具身基础模型
  1. 原论文故事线
    1. 研究背景
    2. 问题（Challenge）
    3. Finding
    4. 方法
    5. 结论
    6. 关键术语
  2. 证据等级与外推边界
  3. 论文位置
  4. 总体架构
  5. Context Abstraction Layer：从当前帧走向 episode 记忆
  6. Embodiment CoT：让机器人数据不只监督动作
  7. Trajectory Alignment Layer：不要把遥操作速度当成物理规律
  8. 数据：多源混合之前先清洗
  9. 实验与结论
    1. Zero-shot generalization
    2. Fine-tuning capability
    3. Navigation results
    4. Camera viewpoint robustness
  10. 对具身智能的启发
  11. 局限与风险
  12. 阅读结论
  13. 外部精读