具身智能领域长期受困于数据碎片化与表征不一致，难以实现“一脑多形”的通用操控。ABot-MO技术报告提出了一套系统性方案，其核心创新的“动作流形假设”，通过将学习目标从拟合噪声转向投影到可行流形，为构建稳定、高效的通用机器人基础模型开辟了新路径。
智能速览
提出“动作流形假设”，将机器人动作预测范式从去噪转为流形投影。
构建了包含600万条轨迹、覆盖20多种机器人形态的UniACT-dataset。
采用模块化双流感知架构，大幅增强了模型的3D几何推理能力。
在多项国际权威基准测试中性能全面领先，超越π₀.₅等强基线模型。
精华内容
传统方法试图在噪声中寻找动作，而ABot-MO则另辟蹊径，认为所有有效动作都遵循着物理定律，构成一个平滑的低维流形。
范式之变：动作流形
ABot-MO的核心是“动作流形假设”，它认为有效的机器人动作并非随机分布，而是位于一个受物理与任务约束的低维平滑流形上。这与传统扩散模型预测噪声的思路截然不同。基于此，团队设计了动作流形学习（AML）机制，利用DiT骨干网络直接预测干净、连续的动作序列。这种从“拟合噪声”到“投影到可行流形”的转变，显著提升了机器人的决策效率与策略稳定性。
数据基石：海量对齐
为支撑模型的通用性，团队构建了目前非私有领域规模最大的UniACT-dataset。该数据集规模庞大，包含超过600万条轨迹，涵盖9,500多小时的数据。其多样性体现在整合了OXE、AgiBot等6个主流开源数据集，覆盖了单臂、双臂、半人形等20多种独特的机器人形态。更重要的是，通过建立统一的末端执行器坐标系与双臂填充策略，成功解决了异构数据难以对齐的关键难题。
感知增强：双流架构
为了弥补标准视觉语言模型（VLM）在3D几何推理上的短板，ABot-MO采用了模块化的双流感知机制。其中，语义流基于Qwen3-VL，提供强大的视觉-语言理解能力；而几何流则插件式引入VGGT和Qwen-Image-Edit等模型，为系统注入场景级的3D结构信息与多视角特征。这种设计无需修改VLM主干，即可显著提升模型的空间理解能力。
性能实测：全面领先
在实际性能表现上，ABot-MO在多个国际权威基准测试中均取得了SOTA（State-of-the-Art）的成绩。报告显示，其性能大幅超越了π₀.₅等业界公认的强基线模型。这一结果不仅验证了“动作流形假设”的有效性，也展示了ABot-MO作为通用具身操控基座的强大潜力，为后续研究与应用设立了新的标杆。
ABot-MO通过其独特的流形学习视角，为解决具身智能的泛化难题提供了强有力的技术框架。它不仅在数据、感知和决策层面实现了系统性的整合，其卓越的性能也预示着通用机器人操控正加速到来。未来，这样的基础模型将如何赋能更多元化的机器人形态？
