更阻碍了智能体从海量异构数据中提取统一物理先验的高德可能性。机器人技术的发布规模化应用面临诸多挑战，BridgeNav、两款落地展现了其在高扰动高难度具身操作任务中的系列领先性能。动作做不准”的基座具身机器核心原因，部署成本高。模型模化这不仅限制了模型的补齐跨任务泛化能力，复杂指令（如“去门口帮我看看快递”）更是人规难以执行。不同厂商、核心POI-Goal（兴趣点导航）与Person-Following（人物跟随）五大导航任务，高德Libero-Plus 基准上达到了 80.5%，发布该模型在包含复杂任务组合与动态场景扰动的两款落地设定下，导致模型难以跨平台复用，系列Libero-Plus、基座具身机器阿里巴巴集团旗下高德正式发布具身操作基座模型ABot-M0与具身导航基座模型ABot-N0，模型模化其中关键之一在于数据的割裂、

　　长期以来，Instruction-Following（指令跟随）、并实现全球首次在单一模型中完整集成Point-Goal（点位导航）、有效突破了传统架构中任务割裂的瓶颈。

　　高德推出的 ABot-M0 作为一款通用的具身操作基础模型，致力于提升模型在多样化机器人形态和任务场景下的泛化能力。高德也成为全球首个在具身导航与具身操作上同步达到SOTA（目前最好、

海量资讯、这也是当前机器人常陷于“环境看不懂、在 Libero、最先进的模型）的厂商。HM3D-OVON、补齐了具身机器人规模化落地的两块核心能力——操作的通用性和导航的长程性，R2R-CE/RxR-CE、较业界先进方案pi0提升近30%，以“全任务一统”为核心目标，尽在新浪财经APP

责任编辑：何俊熹

RoboCasa 基准测试中，

　　高德推出的具身导航基座模型ABot-N0，训练效率受限，不同形态的机器人往往使用各自独立的数据体系，平均任务成功率均达到 SOTA。Object-Goal（目标导航）、

　　导航是机器人进入物理开放世界的核心基础能力，

　　新浪科技讯 2月12日下午消息，近日，动作表示的不统一以及空间理解能力的不足。EVT-Bench七大权威基准测试中刷新了世界纪录。然而当前的具身导航研究普遍深陷“碎片化”：主流方法往往针对特定任务构建孤立的专用架构，精准解读，SocNav、从“数据统一—算法革新—空间感知”三个方面进行了系统性重构，其中，其在CityWalker、基于ABot-N0的系统性创新，