具身智能高考难倒AI：人类100分，模型仅12.8

通用机器人这座山，究竟有多高？

过去一年间，VLA、机器人基础模型、世界模型等概念接连登场。各大团队放出的演示视频也越来越流畅：叠碗、插管、收纳、倒水、整理桌面——看起来机器人终于开始能够听懂人类语言、理解物理世界并动手执行任务了。

但随之而来的问题是：这些模型到底谁更胜一筹？强在哪些环节？能否从仿真环境顺利迁移到真实世界？我们距离真正的通用操作机器人，究竟还有多远的距离？

现在，一份全新的“登山路线图”已经出炉。曾推出RoboTwin系列基准的原班团队，带来了RoboDojo——一个兼具仿真与真实世界评估的机器人操作评测基准。

这不仅仅是一个新的benchmark，更像是为具身智能领域树立了一座“珠穆朗玛峰”。

42项仿真任务，18项真实机器人任务，30个主流机器人策略同台竞技。覆盖范围涵盖泛化、记忆、精细操作、长程执行以及开放语义理解。

结果非常直观，甚至有些残酷：

当前最强的通用机器人策略，在仿真环境中的平均成功率仅为8.80%。而在真实世界中，表现最好的模型平均成功率也不过是12.8%。

相比之下，人类专家在仿真环境中的成功率为76.03%，在真实世界中则达到了100%。

机器人基础模型看似已经起步，开始攀登这座具身智能的珠峰，但RoboDojo的榜单揭示了一个现实：它们大多还在山脚下适应高原反应。

先看任务设计：这座山究竟难在哪里？

RoboDojo的挑战并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成了一组更加贴近真实世界的“登山关卡”。

在仿真环境中，RoboDojo设计了42项任务，围绕五大核心能力展开：

泛化能力（Generalization），考验模型能否适应新的背景、光照、物体以及复杂杂乱的场景。

记忆能力（Memory），评估模型能否记住此前观察到的信息，并在后续动作中加以利用。

精细操作能力（Precision），考察模型能否完成插入、对齐、精确接触等高精度要求的动作。

长程执行能力（Long-Horizon），检验模型能否攻克多步骤、强依赖、且误差容易累积的复杂任务。

开放语义理解能力（Open），测试模型能否理解从未见过的开放式语义指令，并将语言目标转化为具体的操作行为。

这些任务并非简单的“拿起-放下”变种。以泛化任务为例，桌面上的杂物最多可随机分布25个，背景、光照、物体外观和布局都会发生变化。再看记忆任务，机器人需要记住传送带上曾出现又消失的物体，然后从后续一堆候选物体中选出匹配的目标。至于精细操作任务，机器人必须完成插管、对齐、插入等高容错性要求的动作，稍有偏差就会导致失败。

长程任务则更贴近实际家务场景：机器人并非只执行一个动作，而是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，而这些误差会不断累积，最终影响整体结果。

但RoboDojo并未止步于仿真。真正让这座“具身珠峰”变得更高的，是它把评测搬到了真实机器人上。

RoboDojo设计了18项真实世界任务，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。这些任务并不是对仿真任务的简单复刻，而是专门用于评估机器人在真实物理世界中的部署能力。

例如，在ARX X5上执行的任务包括盖积木、做面包、制作食物、装水果并倒出、保险箱收纳、插管等；Piper上的任务包括堆叠并盖住积木、填笔筒、将物体放入篮子、插充电器、叠碗、扶正瓶子等；Piper X上的任务则涵盖物体分类、拆乐高、挂杯子、将物品装入背包、清扫积木、盖笔帽等。这些听起来都很日常，但对机器人而言却极不简单。

原因在于，真实世界中每一步都充满了物理不确定性：物体可能滑动，夹爪可能夹不稳，机械臂可能存在微小延迟，相机可能产生噪声，接触瞬间还可能把目标推偏。

更重要的是，RoboDojo-RealEval对真机评测进行了标准化处理：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还会由三名评审进行双盲打分，不仅评估最终是否成功，也考察中间步骤的完成情况。

换句话说，RoboDojo在真机部分并非“拍个demo视频了事”，而是将真实机器人操作变成了一套可复现、可比较、可远程接入的标准化考试。它不仅问机器人“会不会做题”，更追问：换一台机器人还能保持稳定吗？真实接触时机械臂会抖动吗？物体位置稍有偏差能否修正？任务中途出错能否恢复？离开仿真训练场后，还能继续向上攀登吗？

这正是“具身珠峰”的真正含义——不是单点能力登顶，而是仿真诊断与真实部署两条路线都不能掉链子。

榜单一出，差距尽收眼底

RoboDojo最核心的部分就是它的公开排行榜。这也是它区别于许多“自家模型自家评测”方案的关键所在。

RoboDojo由全学术机构联盟发起和维护，背后没有任何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。这意味着，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公共登山路线。

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

榜单排名第一的是Hy-Embodied-0.5-VLA，平均得分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很低的水平。

即便是领先的模型，在五大能力维度上也没有一个能称得上“全能”。有些模型泛化能力更强，有些精细操作更稳定，有些长程任务能多推进几步，但一旦放到完整榜单上，短板就非常明显。

RoboDojo揭示了一个关键事实：如今的机器人模型并非不会动，而是不够稳；并非完全不会做任务，而是很难稳定地完成任务。许多策略能够完成部分步骤，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。这也正是具身智能与纯语言、纯视觉任务最大的区别：在物理世界里，差一点就意味着失败。

真实世界榜单更令人深思

如果仿真还算“训练场”，那么真实机器人就是“珠峰的实地”。在真实世界榜单中，表现最好的模型是π0.5，总体成功率为12.8%，平均得分22.9。

头部梯队包括InternVLA-A1、GalaxeaVLA、Xiaomi-Robotics-0、X-VLA等，但整体成功率依然停留在个位数到十几个百分点之间。这揭示了一个非常关键的问题：在仿真环境中表现相对领先，并不代表在真实世界中同样稳定。

真实机器人会引入额外的困难：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、物体初始位置的微小偏差。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。RoboDojo的意义也正在于此——它不仅问“机器人有没有做成功”，更追问：

这个策略，能否在仿真中通过全面性考察，同时在现实世界里直面挑战？

为什么说这是“具身珠峰”

从结果来看，RoboDojo暴露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。有些模型能更好地识别目标，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强。

它既要看得懂，也要记得住；既要规划对，也要手上准；既要能处理熟悉任务，也要能理解开放指令；既要在仿真里跑通，也要在真实机械臂上稳定执行。而RoboDojo的实验结果显示，今天的模型在这些维度上仍然存在明显的短板。

最典型的是Open任务。即使是最强的模型，在开放语义任务上的成功率也仅约1.67%。这意味着，当前机器人基础模型距离真正“听懂人话并可靠干活”，还有很长的路要走。它们可以在熟悉的任务上模仿，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依然非常脆弱。

这正是具身珠峰的难度所在——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还有两个重要的组成部分。

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；而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”，专门用来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所做的就是将这些外部的流程标准化。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。这样一来，不同的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个具有代表性的机器人操作模型。

对研究者而言，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。

因此，RoboDojo不仅仅是论文中的一个静态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、更炫酷的demo，也需要一套能反复衡量进步的“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demo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给出的结论更为冷静：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。

这其实并不是一个坏消息。恰恰相反，RoboDojo把问题摆清楚了：谁能泛化，谁会遗忘，谁动作抖动，谁只会做一半，谁在真实世界掉队，谁能在榜单上向上攀爬。具身智能，终于不再是比拼宣传片，而是开始比拼标准化赛道上的真实成绩。

这座“具身珠峰”已经立起来了。接下来，就看谁先登顶了。

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等顶级会议发表论文十余篇，荣获多项顶会研讨会最佳论文奖以及多项顶会学术竞赛冠亚军。曾获红杉中国与《麻省理工科技评论》中国评选的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）。他是RoboTwin 2.0的第一作者、头部具身开源社区Lumina的创始人，其开源项目累计获得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，相关工作曾获CVPR、IROS等国际会议研讨会最佳论文奖项。曾获国家奖学金、北京大学三好学生荣誉。

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、人形全身操作等评测内容，值得持续关注。

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：具身智能高考难倒AI：人类100分，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