新模型重大升级
新模型经过重大升级，显著提升了在复杂环境中的适应能力、操作便捷性、CoT技术以及长程任务处理效能。在执行泛化抓取训练时，所需数据量极小，仅为Helix数据量的0.4%，这一特性显著提高了训练效率。
该升级揭示了新模型在更复杂环境中的适用性，减少了对于大量数据的依赖，从而为智能机器人在实际应用领域的广泛推广打下了坚实的基石。
DexGraspVLA框架创新
DexGraspVLA是首个应用于灵巧手通用抓取的VLA框架。经过有限的训练，该框架便能在多变复杂的环境中迅速展现类似人类的灵巧操作能力。它能快速且精确地抓取各种物品，充分彰显了其卓越的通用性能。
该框架的核心是转换各类图像数据为领域不变的特性表征，采用端到端训练底层控制模型，进而从根本上提升了机器人的抓取能力。
低层控制策略
该策略依托实时视觉反馈技术，实现了对目标物体的精确闭环控制。这一技术使得机器人能够智能地执行灵活的操作。在抓取过程中，机器人能够实时调整动作，大幅提高了抓取的准确性和成功率。
在操作过程中，无论目标物体位于何处或处于何种形态，机器人都能遵循该策略迅速作出反应，并且能够高效完成抓取任务。
强大鲁棒泛化性
DexGraspVLA在面对光照波动、背景杂扰及物体姿态调整等挑战时，展现出极高的鲁棒性和适应性。即便是在光线不足、背景繁杂或物体姿态频繁变化的环境中，该系统依然能够确保机器人实现与人类相媲美的精确抓取。
该机器人具备出色的鲁棒泛化能力，这使其在多种实际场景中表现稳定。这一特性显著拓宽了其应用范围。
长程推理交互
DexGraspVLA基于预先训练的大规模模型，实现了与人类进行流畅的自然语言对话。此模型展现出卓越的长距离推理能力，能够独立理解并执行人类给出的指令。这一功能为人机协同工作提供了稳固的支持。
在实际运用中，用户可利用自然语言向设备下达命令。设备能准确解析这些命令并完成既定任务，此举显著提高了工作效率。
解决复杂难题
灵初智能研发的Retrieval Dexterity策略，有效增强了堆叠场景中物品检索和识别的效能。此系统不依赖于实际设备数据，而是采用强化学习在模拟环境中进行训练。
在仿真环境中，通过构建众多复杂的多层场景，模型在训练后具备了自主执行适宜检索的能力。该模型随后被用于真实机器人和复杂环境，有效增强了机器人在复杂环境中的操作能力。近期，北京大学PAIR-Lab与灵初智能携手，共同发布了SafeVLA这一具身安全模型。该模型确保了机器人在复杂环境中作业的安全性及效率，同时，在面对各种干扰时，该模型展现了卓越的鲁棒性能。
业界广泛关注，智能机器人技术的创新应用前景广阔，涉及的具体行业领域尚待明确。
