DM0 An Embodied-Native Vision-Language-Action Model towards Physical AI

Title: DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI
Authors: En Yu, Haoran Lv, Jianjian Sun, et al.
arXiv: https://arxiv.org/abs/2602.14974

Problem framing

当前主流 VLA 往往走“互联网预训练→具身微调”，导致语义强、物理弱：高层理解与低层动作耦合不稳，跨导航与操作任务容易碎片化。DM0 直接把“物理先验”放进预训练起点，目标是做真正 embodied-native 的统一策略底座。

Core method

DM0 采用三阶段训练：Pretraining / Mid-Training / Post-Training，并围绕两条主线组织：

• 统一多源数据（web + driving + embodied）共同预训练 VLM；
• 在 VLM 上接 Flow Matching action expert，并通过混合梯度策略避免动作学习冲垮语义能力。

Key equations and mechanisms

其联合建模可写为：

$${\pi }_{\theta }(\hat{l},a_{t:t+H}\mid o_t,l)={\pi }_{\theta }(\hat{l}\mid o_t,l)\cdot {\pi }_{\theta }(a_{t:t+H}\mid o_t,l,\hat{l})$$

总损失：

$${\mathcal{L}}_{total}=\lambda {\mathcal{L}}_{AR}+{\mathcal{L}}_{FM}$$

其中 ${\mathcal{L}}_{AR}$ 约束语言/离散动作推理，${\mathcal{L}}_{FM}$ 约束连续动作流；关键机制是对 embodied 分支做梯度隔离（action expert 不反传进 VLM 主干），降低灾难遗忘。

Experiment reading guide

优先读三点：

1. Specialist 与 Generalist 两种设置下的 Table30 增益是否同时成立；
2. 相比纯“后期适配”路线，性能提升来自数据源扩展还是训练机制；
3. 空间脚手架（subtask / bbox / trajectory）对长时程成功率的贡献。

Limitations

• 工程复杂度高，训练阶段与数据治理成本大；
• 大规模多源数据融合可能引入分布噪声与评测偏置；
• 当前报告以 benchmark 成功率为主，安全性与失效可解释性仍需强化。

Future work

后续可把世界模型一致性约束与 uncertainty-aware 控制并入后训练，使“语义-动作-安全”三者形成统一优化目标。

Replication angle

可先复现“无梯度隔离”与“有梯度隔离”的对照，再加 Embodied Spatial Scaffolding；重点看不同任务域（导航/操作）的迁移差分。

Figure links

• https://arxiv.org/pdf/2602.14974.pdf (Fig.1, p1)
• ./out/telegram-cards/2026-02-18/dm0_fig.jpg

Graph: Paper Node 2602.14974