6대의 로봇이 WAIC 2026에서 81,920개의 블록으로 만리장성을 쌓다

서론

2026년 상하이 세계 인공지능 대회에서 6대의 로봇이 특별한 공개 도전 과제를 수행했습니다. 15시간 동안 81,920개의 초소형 블록을 사용해 대형 만리장성 모형을 조립하는 것이었습니다.

완성된 구조물의 길이는 약 3.5m, 너비는 약 1.5m, 최고 높이는 약 1.1m였습니다. 4대의 데스크탑 로봇과 2대의 바퀴형 휴머노이드 로봇이 협력하여 정밀한 블록 배치부터 대형 모듈 운반 및 조립까지 전 과정을 담당했습니다.

원본 보도에 따르면, 이 로봇들은 원격 제어나 사전 설정된 고정 동작 스크립트 없이 자율적으로 작동했습니다. 작업 공간을 인식하고, 다음 동작을 결정하며, 서로 협력하고, 배치 오류를 감지하며, 조립 과정에서 발생한 오차를 수정해야 했습니다.

대형 블록 만리장성 전시 옆에서 작업 중인 로봇.

이 도전 과제는 Dexmal(중국명: 원력영기)이 주최했습니다. 이 회사는 이 과제를 체현 지능이 단기 시연의 한계를 넘어 실제 전시 환경에서 장시간, 고정밀, 물리적 협업이 필요한 작업을 수행할 수 있는지 평가하는 공개 테스트로 기획했습니다.

정확성 안내: "세계 최초", "완전 자율", "업계 선도" 등의 표현은 Dexmal 또는 원본 보도에서 인용한 것입니다. 공개 시연과 기술 자료는 전체 설정을 뒷받침하지만, 정보 출처가 모든 작동 세부 사항에 대해 완전한 독립적 검증을 제공하지는 않았습니다.

8만 개 블록과 스크립트 없는 공개 테스트

블록 만리장성은 언뜻 보면 전시장을 위해 특별히 설계된 이벤트처럼 들릴 수 있습니다. 그러나 기술적 요구 사항을 분석해 보면, 이 과제는 로봇이 실험실 시연에서 실제 생산 현장으로 나아가는 것을 오랫동안 막아온 세 가지 난제를 다루고 있습니다.

서브밀리미터급 정밀 작업

블록은 단단하고 일관되게 연결되어야 합니다. 따라서 로봇은 약 0.1~1mm 범위 내에서 제어된 동작을 수행해야 했습니다.

이러한 정밀도 요구는 여러 능력의 협력을 필요로 합니다:

• 정밀한 시각 및 공간 인식 능력
• 미세 운동 제어 능력
• 안정적인 구동 능력
• 신뢰할 수 있는 접촉 감지 능력
• 미세한 위치 오차 수정 능력

단순히 물체를 한 위치에서 다른 위치로 옮기는 것이 아닙니다. 각 블록은 정렬되고, 제자리에 눌려져야 하며, 주변 구조물과 통합되어야 했고, 이미 배치된 블록을 손상시키지 않아야 했습니다.

원본 보도는 필요한 안정성을 휴식 상태에서 인간 손의 자연스러운 떨림(비슷한 크기일 수 있음)과 비교했습니다. 핵심은 간단합니다: 로봇은 수천 번의 반복 동작에서 정밀성과 일관성을 유지해야 한다는 것입니다.

6대 로봇, 단일 작업자 없이 운영

두 번째 난제는 조정이었습니다.

이 시스템은 6대의 로봇으로 구성되었으며, 두 가지 다른 기체 유형이 있었습니다. 동일한 물리적 작업 공간을 공유하면서도 서로 충돌하거나 동일한 작업을 반복하지 않도록 분업해야 했습니다.

보고서에 따르면, 중앙 제어대에서 전체 팀을 지속적으로 지휘하는 인간 작업자는 없었습니다. 대신 각 로봇이 주변 환경을 자율적으로 인식하고, 로컬 의사 결정을 내리며, 서로 통신하여 작업 할당을 협상했습니다.

더 미세하고 정밀한 작업은 데스크탑 로봇에 할당되었고, 바퀴형 휴머노이드 로봇은 이동, 운반 및 대규모 조립 단계를 담당했습니다.

다중 에이전트 조정은 시뮬레이션이나 연구 논문에서 흔히 볼 수 있습니다. 그러나 혼잡한 전시 환경에서 이기종 로봇을 장시간 협력 운영하는 것은 통신 지연, 인식 오류, 물리적 장애물, 누적된 위치 드리프트 등이 전체 과정에 영향을 미치기 때문에 훨씬 더 어렵습니다.

15시간 연속 운영

마지막 난제는 시간이었습니다.

몇 분 동안精心策划된 동작을 수행하는 로봇은 인상적일 수 있습니다. 그러나 15시간의 작업은 다른 질문을 제기합니다: 동작 횟수가 증가함에 따라 시스템이 정밀도를 유지하고 미세한 오류로부터 복구할 수 있을까요?

각 블록은 새로운 정렬 불량 위험을 안겨줍니다. 초기 건설의 미세한 오류는 이후 부분에 영향을 미칠 수 있으므로 시스템은 폐쇄 루프가 필요했습니다:

1. 현재 상태 관찰
2. 다음 동작 선택
3. 배치 실행
4. 결과가 예상 상태와 일치하는지 확인
5. 필요한 경우 동작 수정
6. 업데이트된 상태에서 계속 진행

정밀도, 조정, 시간에 대한 종합 테스트는 체현 AI가 단순한 단기 시연이 아닌 유용한 작업 시간을 생산할 수 있는지 검증하기 위한 것이었습니다.

WAIC 2026 전시회에서 많은 관객을 끌어모은 다중 로봇 챌린지.

챌린지에 사용된 하드웨어는 Dexmal Apex로, 회사는 이를 체현 네이티브 범용 로봇이라고 설명합니다. Dexmal은 Apex가 하드웨어 설계와 체현 기반 모델을 결합하여 장시간 작동, 정밀 조작, 더 넓은 작업 일반화, 군중 속에서의 안전한 상호작용을 지원한다고 밝혔습니다.

로봇은 데모에서 보이는 부분입니다. 그 기반이 되는 지능은 Dexmal의 최신 체현 기반 모델인 DM0.5에서 비롯됩니다.

DM0.5와 일반화 능력의 출현

Dexmal은 7월 초 Action 2026 개발자 행사에서 DM0.5를 출시했습니다. 이 모델은 DM0의 후속으로, 고정된 스크립트 작업이 아닌 개방형 세계에서의 로봇 제어를 위해 설계되었습니다.

DM0.5는 개방형 세계의 로봇 작업을 일반화하도록 설계되었습니다.

Dexmal의 공식 기술 블로그에 따르면, 이 모델은 비전-언어-행동 아키텍처를 채택했으며, 구체적으로는 다음과 같습니다:

• Gemma 3 4B 비전-언어 백본 네트워크
• 6.8억 파라미터의 Action Expert
• 연속적인 로봇 동작 생성
• 다중 로봇, 다중 작업 훈련
• 최대 60초의 과거 시각 컨텍스트

원본 보고서에 따르면, 이 모델은 약 15만 시간의 다중 소스 데이터를 기반으로 훈련되었으며, 데이터 소스에는 실제 로봇 조작, 1인칭 인간 활동, 내비게이션, 환경 재구성 및 일반 비전-언어 데이터가 포함됩니다.

보고서에 따르면 DM0과 비교하여 데이터 양은 400% 증가했으며, 파라미터 수는 약 2배 증가했습니다.

그러나 더 중요한 변화는 단순한 규모의 증가뿐만이 아닙니다. Dexmal은 모델이 작업 진행 상황을 이해하고, 물리적 환경을 추론하며, 인간 작업자의 개별 시간 편향을 복제하지 않고 동작을 학습하도록 돕는 여러 메커니즘을 추가했습니다.

![이미지는 Dexmal의 DM0.5 모델 아키텍처를 보여줍니다. 왼쪽은 VLM 4B로, Context Abstraction, Embodiment CoT를 포함합니다.

Tasks 등 모듈은 이미지 시퀀스, 구조 정보 명령 등을 처리합니다. 오른쪽에는 Action Velocity field, KV cache 등이 포함된 680M 파라미터의 Action Expert가 있어 로봇 상태, 명령 작업 등을 처리합니다. 중간에는 Action Alignment가 있어 Ground Truth와 Prediction을 비교합니다. 이 그림은 문맥과 밀접하게 연결되어 DM0.5 모델의 구조와 각 부분의 기능을 직관적으로 보여주며, 개방형 로봇 제어 설계를 이해하는 데 도움을 줍니다.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/3bce1b29-5cb2-4ab7-a1a4-8ce51f5f7a6c-db3ff864-93b0-4747-b706-604d17ab5684.png)

공식 DM0.5 아키텍처 다이어그램으로, VLM 백본 네트워크, 컨텍스트 레이어, 추론 작업 및 Action Expert를 보여줍니다.

로봇이 세상을 이해하도록 돕는 세 가지 새로운 구조

원문에서는 세 가지 추가된 아키텍처 구성 요소를 중점적으로 소개합니다. 각각은 장기적 임베디드 태스크의 서로 다른 약점을 겨냥합니다.

컨텍스트 추상화 레이어: 최대 60초 메모리

기존 VLA 모델은 일반적으로 현재 카메라 화면과 현재 로봇 상태만을 기반으로 결정을 내립니다. 이는 단기 동작에는 적합하지만, 작업 후반에 필요한 정보가 보이지 않을 때 취약해집니다.

DM0.5는 컨텍스트 추상화 레이어를 추가하여 현재 관측값과 최근 히스토리에서 선택된 시각 정보를 결합합니다. Dexmal에 따르면 이 모델은 최대 60초의 작업 컨텍스트를 통합할 수 있습니다.

훈련 과정에서 히스토리 정보의 길이와 가용성은 다양하게 변합니다. 과거 정보가 없거나 도움이 되지 않는 경우, 모델은 완전히 실패하기보다는 현재 관측값으로 대체하도록 훈련됩니다.

Dexmal은 간단한 실험으로 이를 설명합니다. 컵을 집어 들고, 컵 아래 영역을 닦은 후, 컵을 원래 위치로 되돌리는 작업입니다.

컵을 집어 올리면 원래 위치가 현재 화면에서 사라집니다. 현재에만 집중하는 모델은 컵을 임의의 위치에 놓을 수 있습니다. 하지만 히스토리 컨텍스트를 가진 모델은 컵이 이동되기 전의 위치를 기억할 수 있습니다.

'만리장성' 작업에서는 동일한 원리가 더 큰 규모에서 중요합니다. 로봇은 이미 조립된 부품, 국부 구조의 변화, 그리고 다음 단계가 무엇인지 이해해야 합니다.

임베디드 사고 사슬: 추론과 행동의 병행

DM0.5는 로봇 데이터 훈련에 11개의 자기회귀 추론 작업을 새로 추가했습니다.
모델은 현재 이미지, 로봇 상태, 명령, 히스토리 컨텍스트를 활용하여 제한된 질문에 답하도록 훈련됩니다. 이러한 질문은 다음을 포함합니다:

• 현재 작업 단계
• 완료된 내용
• 다음에 수행해야 할 작업
• 환경에서 발생할 수 있는 변화
• 다음 동작의 의도
• 곧 수행할 동작의 의미적 설명

이를 통해 훈련 신호는 단순한 동작 예측에서 다음의 결합으로 전환됩니다:

• 명령 이해
• 시간적 추론
• 환경 예측
• 동작 생성

실제 적용에서 로봇은 특정 이미지에서 어떤 모터 명령을 실행해야 하는지뿐만 아니라, 해당 동작이 왜 적절한지도 표현해야 합니다.

이는 81,920개의 블록이 포함된 작업에서 특히 중요합니다. 시스템은 각 배치 동작을 독립적인 사건으로 취급할 수 없으며, 개별 동작을 전체 건설 과정의 진행과 연결해야 합니다.

궤적 정렬 레이어: 작업 학습, 작업자의 리듬이 아닌

대부분의 로봇 데모 데이터는 인간의 원격 조작으로 수집됩니다. 다른 사람들은 동일한 작업을 서로 다른 속도, 정지 및 동작 스타일로 수행합니다.

모델이 모든 예측 동작을 데모 기록의 고정된 타임스탬프와 정렬하도록 강제되면, 기본 작업이 아닌 작업자의 리듬을 학습할 수 있습니다.

DM0.5의 궤적 정렬 레이어는 정확한 시간이 아닌 작업 진행 상황에 따라 동작을 정렬합니다.
각 예측 동작은 실제 궤적의 적절한 지점과 일치합니다. 일치는 단조롭게 진행되어야 하므로, 이후 예측 동작은 데모 초기 부분과 짝을 이룰 수 없습니다. 이후 동적 프로그래밍을 사용하여 전체 시퀀스에서 손실이 적은 대응 관계를 찾습니다.

이 방법은 다음과 같은 중요한 물리적 이벤트를 강조하는 것을 목표로 합니다:

• 잡기
• 정렬
• 접촉
• 누르기
• 놓기

작업자의 개인 속도는 덜 중요해지고, 작업의 의미 있는 구조는 더 명확해집니다.

Dexmal은 이를 통해 다양한 시연자와 실행 속도에서 일반화 성능이 향상된다고 말합니다.

RoboChallenge Table30 V2에서의 DM0.5 결과

만리장성 데모는 개방형 공개 테스트입니다. Dexmal은 또한 표준화된 로봇 벤치마크에서 DM0.5를 평가했습니다.

RoboChallenge Table30 V2에서 회사는 다음을 보고했습니다:

• 43%의 전체 성공률
• 54.42의 종합 점수
• 공개된 비교에서 최첨단 전체 성능 달성

Table30 V2는 4가지 로봇 형태를 포함한 30개의 실제 로봇 조작 작업으로 구성됩니다. 이 벤치마크는 장기 기억, 다단계 실행, 목표 위치 파악, 정밀 집기 및 놓기, 도구 사용, 양손 협응을 포함합니다.

데이터 세트와 평가 프레임워크는 RoboChallenge와 Hugging Face를 통해 공개적으로 기록되었으며, Table30 V2 방법은 CVPR 2026 워크숍 논문으로 발표되었습니다.

이러한 결과는 만리장성 챌린지와 관련이 있습니다. 두 시나리오 모두 모델이 단순히 객체를 인식하거나 텍스트 명령을 생성하는 것을 넘어, 지각, 작업 진행, 미세 동작 및 물리적 실행을 조정할 수 있는지 테스트하기 때문입니다.

실제 로봇 사용 전 월드 모델에서 연습

강력한 기반 모델만으로는 15시간의 공개 데모를 지탱할 수 없습니다.

원래 보고서에 따르면, Dexmal은 후기 훈련에서 DFOL 2.0 프레임워크도 사용했습니다. 이 프레임워크는 DW0.5 월드 모델을 통합하여, 물리적 하드웨어에 완전히 배포되기 전에 가상 또는 모델 생성 환경에서 작업의 일부를 연습하고 개선할 수 있도록 합니다.

기본 아이디어는 시스템이 비용이 많이 드는 동작을 내부적으로 리허설할 수 있게 하는 것입니다.

전통적인 로봇 개발은 종종 반복적인 물리적 시도에 의존합니다:

1. 로봇을 작동시킵니다.
2. 실패를 관찰합니다.
3. 더 많은 데이터를 수집합니다.
4. 모델을 조정합니다.
5. 실제 로봇에서 반복합니다.

이 과정은 느리고 비용이 많이 듭니다. 실제 로봇은 마모되고, 물리적 작업 공간을 재설정해야 하며, 모든 실패 시도는 엔지니어링 시간을 소모합니다.

월드 모델은 실험의 일부를 시뮬레이션이나 학습된 예측으로 전환할 수 있습니다. 로봇 정책은 귀중한 실제 로봇 시간을 차지하기 전에 가능한 동작을 테스트하고, 가능한 결과를 추정하며, 작업 실행을 개선할 수 있습니다.

대규모 건설 작업의 경우, 이는 관객 앞에서 수행해야 하는 시행착오 횟수를 줄여줍니다. 또한 팀이 흐름을 리허설하고, 잠재적 실패 지점을 연구하며, 실제 하드웨어를 최종 검증에만 사용할 수 있는 방법을 제공합니다.

정보 출처는 공개된 DFOL 2.0 구현을 제공하지 않았으며, 만리장성 작업 중 시뮬레이션에서 완료된 부분에 대한 세부 정보도 없습니다. 따라서 이 설명은 Dexmal의 후기 훈련 과정에 대한 설명으로 이해해야 하며, 독립적으로 재현 가능한 결과로 간주해서는 안 됩니다.

블록에서 제조업으로: 가장 어려운 부분

왜 8만 개 이상의 블록을 사용할까요?

이 블록들은 유연한 제조에 중요한 여러 능력을 측정하는 압축된 테스트를 만듭니다:

• 서브밀리미터 배치
• 장시간 반복 정밀도
• 시각적으로 유사한 작은 부품 처리
• 오류 감지 및 수정
• 동적 작업 분담
• 다른 유형의 로봇 간 조정
• 변화하는 물리적 환경에서의 안정적인 작동

작업이 반복적이고 표준화되며 엄격하게 통제될 때 전통적인 산업 로봇은 매우 효율적입니다. 그러나 물체 위치가 변하고, 재료 특성이 다르며, 올바른 동작이 시각적 판단에 의존할 때는 유연성이 떨어집니다.

원래 보고서는 제조업의 일부 작업이 여전히 인간에게 의존하는 이유가 미세하고 비표준적이며 유연하거나 지각에 크게 의존하는 작업이기 때문이라고 주장합니다. 예를 들어:

• 정밀 조립
• 부드럽거나 깨지기 쉬운 재료 조정
• 결함 수리
• 첫 번째 제품 검사
• 좁은 공간에서 작업
• 부품마다 다른 작업 처리

이러한 작업이 제조업의 '마지막 20%'를 대표한다는 정확한 표현은 정보 출처의 진술로 이해해야 하며, 보편적인 업계 통계로 간주해서는 안 됩니다.

그럼에도 불구하고 연결점은 명확합니다. 만리장성은 전시 대상이지만, 테스트된 능력(정밀 조작, 지속적 작동, 다중 로봇 조정)은 유연한 생산 라인과 직접적으로 연결됩니다.

설립 16개월 만의 스타트업, WAIC 부스에 서다

Dexmal은 2025년 3월에 설립되었습니다. 원래 보도에 따르면 핵심 팀은 전 Megvii 연구원 및 엔지니어로 구성되어 있으며, 여러 차례 투자를 유치했습니다.

그들의 명시된 사명은 지능적이고 유용하며 신뢰할 수 있는 로봇을 구축하는 것입니다.

Dexmal은 자사의 기술 방향성을 임베디드 네이티브(Embodied Native) 개발이라고 설명합니다. 이 회사는 주로 인터넷 텍스트나 이미지에 최적화된 모델을 적용하는 대신, 물리적 세계에서 로봇이 작동하는 데 필요한 요구 사항을 중심으로 모델을 훈련합니다.

DM0은 최초의 임베디드 네이티브 기반 모델입니다. DM0.5는 이를 확장하여 더 긴 메모리, 더 강력한 추론 능력, 더 많은 훈련 데이터, 다형태 지원, 그리고 개선된 개방형 세계 일반화 능력을 갖추고 있습니다.

이 회사는 또한 해당 모델을 중심으로 인프라를 개발했습니다.

Dexbotic

Dexbotic은 PyTorch 기반의 오픈소스 비전-언어-행동 툴박스입니다. 다양한 VLA 정책을 훈련하고 평가하기 위한 통합 개발 환경을 제공합니다.

이 프레임워크는 다음을 포함합니다:

• 범용 데이터 형식
• 모델 구현
• 훈련 파이프라인
• 추론 서비스
• 다양한 로봇 플랫폼 지원
• 시뮬레이션 및 실제 환경 평가 도구

Dexbotic은 공식 문서와 GitHub 저장소를 통해 공개적으로 이용할 수 있습니다.

RoboChallenge

RoboChallenge는 Hugging Face와 공동 개발한 대규모 실제 로봇 평가 플랫폼입니다.

이 플랫폼은 공유된 물리적 작업과 하드웨어 구성에서 모델을 평가할 수 있도록 함으로써 로봇 정책 테스트의 재현성을 높이는 것을 목표로 합니다.

Table30 및 Table30 V2 벤치마크는 다양한 로봇 형태와 실제 조작 작업을 포함합니다. RoboChallenge와 Hugging Face를 통해 공개 데이터셋, 논문 및 평가 리소스를 얻을 수 있습니다.

Atomix

Dexmal의 상업용 애플리케이션 포트폴리오에는 유연한 창고 자동화 사업인 Atomix도 포함됩니다.

원래 보도에 따르면 Atomix는 보관, 운송 및 피킹 프로세스를 통합하며 대형 소매, 음료 및 외식 서비스 고객과 협력한 이력이 있습니다. 이러한 고객 및 시장 순위 주장은 해당 보도에서 비롯된 것이며, 본 기사에서 독립적으로 확인되지 않았습니다.

DM0.5, Dexbotic, RoboChallenge 및 Atomix는 함께 풀스택 전략을 구성합니다:

1. 임베디드 기반 모델 구축.
2. 훈련 및 배포 도구 제공.
3. 실제 로봇 평가 플랫폼 생성.
4. 실제 비즈니스 시나리오에 기술 적용.

만리장성 과제는 WAIC 2026에서 가장 주목할 만한 풀스택 기술 공개 시연이었습니다.

시연의 실제 내용

공개된 로봇 챌린지가 범용 임베디드 AI가 해결되었음을 증명하지는 않습니다.

하지만 이는 일반적으로 별도로 평가되는 다양한 능력에 대한 유용한 테스트를 제공합니다:

• 정밀 제어
• 장기 메모리
• 오류 복구
• 다중 로봇 협업
• 이기종 하드웨어 조정
• 연속 작동
• 실제 세계 인식
• 작업 수준 추론

시연에서 가장 중요한 부분은 벽 자체가 아닙니다. 미세한 결함과 조정 문제를 드러내기 위해 여섯 대의 물리적 기계를 충분히 오랫동안 함께 작동시키려는 시도였습니다.

불가피합니다.

Dexmal이 공식 발표한 DM0.5 자료는 결국 실제 세계가 로봇에게 가장 훌륭한 스승이 되어야 한다고 지적합니다. 이러한 비전에서 모든 시도, 성공, 실패 및 수정은 시스템을 개선하는 데 도움이 되는 새로운 정보가 됩니다.

2026년 세계 인공지능 대회에서 로봇들은 미니어처 블록을 조립하고 있습니다. 장기적인 목표는 동일한 폐쇄 루프 학습 및 실행 프로세스를 제조, 물류, 서비스 및 작업을 완전히 사전 프로그래밍할 수 없는 기타 작업 환경에 도입하는 것입니다.

자주 묻는 질문

만리장성 챌린지에는 몇 대의 로봇이 참여했습니까?

총 6대의 로봇이 참여했습니다: 4대의 데스크탑 로봇과 2대의 바퀴 달린 휴머노이드 로봇입니다. 이들은 동일한 물리적 공간 내에서 협력하여 건설 과정의 다양한 단계를 처리했습니다.

몇 개의 블록이 사용되었습니까?

모델에는 총 81,920개의 미니어처 블록이 사용되었습니다. 구조물의 길이는 약 3.5미터, 너비는 약 1.5미터, 최고 높이는 약 1.1미터입니다.

로봇 챌린지는 얼마나 오래 지속되었습니까?

계획된 연속 작동 시간은 15시간이었습니다. 이 챌린지는 장시간 물리적 동작 중에도 로봇이 정밀도와 조정 능력을 유지하는지 테스트하는 것을 목표로 했습니다.

로봇이 원격으로 조종되었습니까?

원래 보고서에 따르면 로봇은 지속적으로 원격 조종되지 않았으며 완전히 고정된 동작 스크립트에 의존하지도 않았습니다. 로봇은 인식, 국지적 의사 결정, 통신 및 오류 수정 능력을 사용했지만, 출처에는 작동 설정에 대한 독립적이고 완전한 기술 감사가 포함되어 있지 않습니다.

DM0.5란 무엇입니까?

DM0.5는 Dexmal이 개발한 로봇 제어용 개방형 세계 비전-언어-행동 기반 모델입니다. Gemma 3 4B 비전-언어 백본 네트워크, 680M 행동 전문가 모듈, 과거 컨텍스트 모델링, 임베디드 추론 작업 및 궤적 정렬 기술을 사용합니다.

DM0.5는 오픈소스입니까?

Dexmal은 Apache 2.0 라이선스에 따라 OpenDM 코드베이스를 공개하고 Hugging Face를 통해 DM0.5 모델 리소스를 배포했습니다. 코드베이스에는 모델 가중치, 훈련 및 추론 스크립트, 데이터셋 예제 및 평가 워크플로우가 포함됩니다.

RoboChallenge Table30 V2란 무엇입니까?

Table30 V2는 네 가지 로봇 형태에서 30가지 조작 작업을 포함하는 실제 로봇 벤치마크입니다. 평가 능력에는 장기 메모리, 순차적 실행, 정밀 조작, 도구 상호작용 및 양팔 협응이 포함됩니다.

세계 인공지능 대회 시연이 로봇이 공장의 남은 수동 작업을 대체할 수 있음을 증명합니까?

아닙니다. 이 시연은 정밀도, 장시간 작동 및 조정 능력의 발전을 보여주었지만 모든 유연한 제조 작업이 자동화될 준비가 되었음을 증명하지는 않습니다. 실제 생산 환경에는 추가적인 안전, 신뢰성, 통합, 비용 및 유지보수 검증이 필요합니다.

관련 도구

• OpenDM: Dexmal이 오픈소스로 공개한 DM0.5 모델 가중치, 훈련, 추론 및 배포 워크플로우 코드베이스.
• Hugging Face의 DM0.5: 공식 DM0.5 기본 및 미세 조정 모델 리소스 모음.
• Dexbotic: 비전-언어-행동 모델 개발 및 평가를 위한 오픈소스 PyTorch 툴박스.

Dexbotic 문서: 공식 설치, 아키텍처, 훈련, 데이터, 추론 및 모델 개발 가이드 제공.

• RoboChallenge: 임베디드 정책 평가를 위한 실제 로봇 벤치마크 플랫폼.
• Table30 V2 데이터셋: 30개 작업을 포함한 업데이트된 실제 로봇 벤치마크 공개 데이터셋 페이지.

관련 링크

• 공식 DM0.5 기술 블로그: 모델, 데이터, 아키텍처 및 벤치마크 결과에 대한 Dexmal의 상세 설명.
• OpenDM GitHub 저장소: 공식 오픈소스 구현 및 배포 문서.
• DM0.5 Hugging Face 모음: 공식 모델 체크포인트 및 미세 조정 변형.
• RoboChallenge 공식 웹사이트: 대규모 실제 로봇 평가 프로젝트 공식 사이트.
• Table30 V2 CVPR 2026 워크숍 논문: 업데이트된 실제 로봇 벤치마크를 설명하는 논문.
• Dexbotic 문서: 오픈소스 VLA 개발 프레임워크 공식 문서.
• [2026 세계 인공지능 대회 필수 관람 전시품](https://english.shanghai.gov.

요약

2026 세계 인공지능 컨퍼런스에서 6대의 Dexmal 로봇이 15시간 연속 작업을 통해 81,920개의 초소형 블록으로 만리장성 모형을 조립했습니다. 이 작업은 서브밀리미터 단위 배치, 다중 로봇 협업, 장기 작업, 그리고 폐쇄 루프 오류 수정 능력을 결합한 성과입니다.

이번 시연은 Dexmal의 오픈소스 세계 구현 기본 모델인 DM0.5에 의해 구동되었습니다. 핵심적으로 추가된 기능은 최대 60초의 과거 문맥 메모리, 구현 추론 작업, 그리고 인간 원격 조작 속도 차이의 영향을 줄이는 궤적 정렬 기술입니다.

Dexmal은 또한 세계 모델 기반의 사후 훈련 기술을 채택하고, 이번 시연을 자사의 광범위한 OpenDM, Dexbotic, RoboChallenge 및 창고 자동화 제품군과 연결했습니다. 다만, 일부 성능 및 시장 포지셔닝 관련 주장은 회사 자체 설명에 기반하며 아직 독립적으로 검증되지 않았습니다.

만리장성은 단지 전시를 위한 매체일 뿐입니다. 진정한 시험은 구현 AI가 완전한 근무 교대 시간 동안 정밀성, 협업성, 실용성을 유지할 수 있는지에 달려 있습니다.