具身智能高考人类100分，最强模型仅12.8

通用机器人这座山，究竟有多高？

过去一年，VLA、机器人基础模型、世界模型轮番登场，一个个演示视频看起来越来越流畅：叠碗、插管、收纳、倒水、整理桌面——机器人似乎终于能听懂指令、理解环境、动手完成任务了。

但问题依然存在：这些模型究竟谁更出色？强项体现在哪里？能否从仿真环境迁移到真实场景？距离真正通用的操作机器人，还有多大差距？

现在，一份全新的“登山路线图”出炉了。曾推出RoboTwin系列基准的原班人马，带来了RoboDojo：一个统一的仿真+真实世界机器人操作评测基准。

它不只是一个普通的benchmark，更像是为具身智能树立了一座“珠穆朗玛峰”：

42个仿真任务，18个真实机器人任务，30个主流机器人策略同台竞技，覆盖泛化、记忆、精细操作、长程执行、开放语义理解五大能力。

结果很直观，也很严峻：

当前最强通用机器人策略，在仿真环境中的平均成功率仅为8.80%。到了真实世界，最佳模型的平均成功率也只有12.8%。

而人类专家呢？仿真环境里是76.03%，真实世界更是达到100%。

机器人基础模型看似已开始攀登具身珠峰，但RoboDojo的榜单显示：它们大多还停留在山脚，正在适应高海拔环境。

先看任务设计：这座山为何如此艰难？

RoboDojo的难点，不在于简单堆砌任务数量，而在于它将机器人操作能力拆解为一系列贴近真实世界的“登山关卡”。

在仿真环境中，RoboDojo设计了42个任务，围绕五大核心能力展开：

• Generalization：考察模型能否适应新背景、新光照、新物体以及复杂杂乱场景。
• Memory：测试模型能否记住之前观察到的信息，并在后续动作中加以利用。
• Precision：评估模型完成插入、对齐、精确接触等高精度操作的能力。
• Long-Horizon：检验模型执行多步骤、强依赖、误差累积型任务的表现。
• Open：审视模型能否理解未见过的开放语义指令，并将语言目标转化为具体动作。

这些任务远非简单的摆放变体。例如在泛化任务中，桌面杂物最多可随机至25个，背景、光照、物体外观和布局都会发生变化；在记忆任务中，机器人需要记住传送带上曾出现又消失的物体，再从后续候选物中选出匹配目标；在精细操作任务中，机器人必须完成插管、对齐、插入等高容错要求的动作，稍有偏差就会失败。

长程任务则更贴近真实家务场景：机器人不是执行单一动作，而是需要连续完成多个子步骤。拿起、移动、交接、对齐、放置——每一步都可能引入误差，且误差会一路累积到最后。

但RoboDojo并未止步于仿真环境。真正让这座“具身珠峰”变得高耸的，是它把评测也搬到了真实机器人上。

RoboDojo设计了18个真实世界任务，覆盖ARX X5、Piper、Piper X三种双臂机器人平台，每个平台各6个任务。这些任务并非仿真任务的简单复刻，而是专门用于考察机器人在真实物理世界中的部署能力。

例如，ARX X5上包括盖积木、制作面包、制作食物、装水果并倒出、保险箱收纳、插管等任务；Piper上有堆叠并盖住积木、填笔筒、把物体放进篮子、插充电器、叠碗、扶正瓶子等任务；Piper X上则涵盖物体分类、拆乐高、挂杯子、把物品装进背包、清扫积木、盖笔帽等任务。

这些任务听起来很日常，但对机器人来说却并不简单。因为真实世界中每一步都伴随着物理不确定性：物体可能滑动，夹爪可能抓不牢，机械臂可能产生微小延迟，相机可能带有噪声，接触瞬间可能把目标推偏。

更重要的是，RoboDojo-RealEval对真机评测做了标准化处理：统一硬件配置、工作空间布局、光照条件、场景复位流程、评测协议和部署接口。每次测试前，评测人员会根据预设布局复现场景；每个trial还会由三名评审双盲打分，既关注最终成功，也评估中间步骤完成情况。

也就是说，RoboDojo的真机部分并非“拍几个演示视频”，而是把真实机器人操作转变为一套可复现、可比较、可远程接入的标准化考试。

换句话说，RoboDojo不仅在仿真环境中询问机器人“你会不会答题”，还在真实世界中追问：换一台机器人还能保持稳定吗？真实接触来了会不会抖动？物体偏一点还能否修正？任务做到一半出错能否恢复？离开仿真训练场，还能继续向上攀登吗？

这才是“具身珠峰”的真正含义：不是单点能力登顶，而是仿真诊断和真实部署两条路线都不能掉链子。

榜单一出，差距摆在台面上

RoboDojo最核心的部分，是它的公开排行榜。这也是它和许多“自家模型自家测”的评测不同之处：RoboDojo由全学术机构联盟发起和维护，背后没有商业模型方的利益绑定，榜单治理则由公益性组织AI MMLab Club基金会负责。

换句话说，这座“具身珠峰”并非某家公司为自己修建的观景台，而是面向整个社区开放的一条公共登山路线。

在仿真榜单中，团队集成并评测了30个代表性机器人操作策略，包括Hy-Embodied-0.5-VLA、Spatial Forcing、π0.5、X-VLA、GR00T-N1.7、π0、OpenVLA-OFT等。

榜单第一名是Hy-Embodied-0.5-VLA，平均分13.07，平均成功率8.80%。紧随其后的是Spatial Forcing、π0.5、X-VLA等模型，但整体表现依然处于较低区间。即便是领先模型，在五大能力维度上也没有一个真正达到“全能”。有的模型泛化能力更强，有的精细操作更稳健，有的长程任务能推进更多步骤，但一旦放到完整榜单上，短板就非常明显。

RoboDojo释放的一个关键信息是：如今的机器人模型并非不会动作，而是不够稳定；并非完全不能完成任务，而是很难可靠地完成整个任务。许多策略可以完成部分步骤，但最终成功率很低。例如在长程任务中，机器人可能已经拿起物体、移动到目标附近，却在最后的对齐、插入、放置或恢复阶段失败。

这也是具身智能与纯语言、纯视觉任务的最大区别：在物理世界中，差一点就意味着失败。

真实世界榜单更扎心

如果说仿真环境还是“训练场”，那么真实机器人就是“珠峰实地”。真实世界榜单中，表现最好的模型是π0.5，总体成功率12.8%，平均分22.9。

头部梯队包括InternVLA-A1、GalaxeaVLA、Xiaomi-Robotics-0、X-VLA等，但整体成功率依然只有个位数到十几个百分点。这揭示了一个非常关键的问题：仿真中表现相对靠前，并不代表真实世界中一定稳定。

真实机器人会引入额外困难：相机噪声、标定误差、机械臂延迟、接触不稳定、动作抖动、安全边界、物体初始位置微小偏差。这些东西在演示视频中常常难以察觉，但在标准化评测中会集中暴露出来。

RoboDojo的意义也正在于此：它不只问“机器人有没有做成功”，而是在考察：这个策略能否在仿真中通过全面的能力检验，同时在现实世界中直面真实挑战？

为什么说这是“具身珠峰”

从结果来看，RoboDojo揭示了一个很现实的判断：当前机器人基础模型的能力增长并不均衡。有些模型能更准确地识别目标，有些模型能更顺畅地执行动作，有些模型在长程任务中能推进更多步骤。

但真正的通用机器人，不能只在某一个能力维度上突出。它既要看得懂，也要记得住；既要规划得当，也要操作精准；既要能处理熟悉任务，也要能理解开放指令；既要在仿真中跑通，也要在真实机械臂上稳定执行。

而RoboDojo的实验结果显示，当前的模型在这些维度上仍然存在明显短板。最典型的是Open任务。即使是最强模型，在开放语义任务上的成功率也只有约1.67%。

这意味着，当前机器人基础模型距离真正“听懂人话并可靠地干好活”还有显著差距。它们可以在熟悉任务上模仿，但面对新目标、新语义、新组合时，语义理解、视觉定位、技能选择和动作执行这条链路仍然很脆弱。

这正是具身珠峰的难点所在：不是单点能力登顶，而是所有能力都不能掉链子。

不只是评测，还是一套基础设施

RoboDojo还有两个重要组成部分。

一个是异构并行仿真。传统仿真并行往往是在复制同一个场景，只改变初始位置；RoboDojo支持不同任务、不同物体、不同布局同时运行，大幅提升了评测效率。

另一个是XPolicyLab。它相当于RoboDojo背后的“统一接入层”，专门用于解决机器人策略评测中一个很现实的问题：不同模型往往有不同的数据格式、预处理流程、训练脚本、动作表示和部署环境，想要放到同一张榜单上公平比较，工程成本非常高。

XPolicyLab做的事情，就是把这些外部流程标准化。它提供统一的数据转换、训练模板、部署流程和评测脚本，同时保留各个策略本身的模型结构和实现方式。这样，不同机器人策略只要接入统一的observation-action接口，就能在RoboDojo的仿真环境和RoboDojo-RealEval真机平台上运行。

本次论文中，团队已通过XPolicyLab集成了30个代表性机器人操作模型。对于研究者来说，这意味着模型可以“一次接入，多处评测”：先在仿真中快速迭代、诊断能力短板，再部署到真实机器人上接受标准化测试。

也因此，RoboDojo不只是论文里的静态benchmark，而是一个可持续更新的具身智能竞技场。模型可以不断上榜，任务可以持续扩展，真实机器人评测也可以远程接入。

对于机器人基础模型领域来说，这一点至关重要。因为在通往通用操作机器人的道路上，大家不仅需要更大的模型、更酷的演示视频，也需要一套能够反复衡量进步的“海拔尺”。

具身智能，终于有了更高的山

过去，机器人领域常常被演示驱动。一个模型能完成几个漂亮任务，很容易让人产生“通用机器人快来了”的错觉。但RoboDojo给出的结论更加冷静：当前模型确实在进步，但距离可靠、泛化、可部署的通用机器人操作，还差得很远。

这并非坏消息。恰恰相反，RoboDojo把问题摆在了明处：谁能泛化，谁会遗忘，谁动作抖，谁只会做一半，谁在真实世界中掉队，谁能在榜单上稳步攀升。具身智能终于不再只是比拼宣传片，而是开始比拼标准化赛道上的真实成绩。

这座“具身珠峰”已经矗立起来。接下来，就看谁能率先登顶。

项目负责人介绍

陈天行，香港大学MMLab直博生，师从罗平教授。在ICML、CVPR、ICLR、RSS等领域顶会发表论文十余篇，多次荣获顶会研讨会最佳论文奖及多项顶会学术竞赛冠亚军。获红杉中国与《麻省理工科技评论》中国评选AI25（25岁以下AI创新青年先锋）、深圳大学特奖（学生最高荣誉）、CCF优秀大学生（全国99人）。RoboTwin 2.0第一作者、头部具身开源社区Lumina创始人，开源项目累计获得GitHub近两万星。

陈越，北京大学硕士研究生，主要研究方向为三维视觉表征与机器人仿真。迄今已发表CCF A类、CAAI A类高水平论文10余篇，多篇成果以Oral、Spotlight形式收录，相关工作获得CVPR、IROS等国际会议研讨会最佳论文奖项。曾获评国家奖学金、北京大学三好学生等荣誉。

未来扩展

RoboDojo团队后续还会持续输出灵巧操作、移动操作、触觉操作、人型全身操作等评测内容。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：具身智能高考人类100分，最强模型仅12.8要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题