具身智能“高考”难疯了！人类100分，最强模型12.8

通用机器人这座山，到底有多高？

过去一年，VLA、机器人基础模型、世界模型轮番登场。

一个个demo看起来越来越丝滑：叠碗、插管、收纳、倒水、整理桌面，机器人似乎终于开始听懂人话、理解世界、动手干活。

但问题是：这些模型到底谁更强？强在哪里？能不能从仿真走到真实世界？离真正的通用操作机器人，还有多远？

现在，一个新的“登山路线图”来了。

曾推出RoboTwin系列基准的原班团队，又带来了RoboDojo：一个统一的仿真+真实世界机器人操作评测基准。

Website: https://robodojo-benchmark.com/
arXiv: https://arxiv.org/abs/2607.04434
Leaderboard: https://robodojo-benchmark.com/LeaderBoard
Benchmark code: https://github.com/RoboDojo-Benchmark/RoboDojo
XPolicyLab code: https://github.com/XPolicyLab/XPolicyLab
Community: https://robodojo-benchmark.com/community

它不只是又一个benchmark，而更像是给具身智能立了一座“珠峰”：

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。

结果很直接，也很残酷：

当前最强通用机器人策略，在仿真平均成功率也只有8.80%。到了真实世界，最好模型平均成功率也只有12.8%。

而人类专家呢？仿真里是76.03%，真实世界是100%。

机器人基础模型们看起来已经开始攀登具身珠峰，但RoboDojo的榜单显示：它们大多还在山脚适应高反。

先看任务设计：这座山为什么难？

RoboDojo的难点，不在于简单堆任务数量，而在于它把机器人操作能力拆成了一组更接近真实世界的“登山关卡”。

在仿真环境中，RoboDojo设计了42个任务，围绕五个核心能力展开：

• Generalization，看模型能不能适应新背景、新光照、新物体和复杂杂乱场景。

• Memory，看模型能不能记住之前看到的信息，并在后续动作中用上。

• Precision，看模型能不能完成插入、对齐、精确接触等高精度操作。

• Long-Horizon，看模型能不能完成多步骤、强依赖、误差会累积的任务。

• Open，看模型能不能理解没见过的开放语义指令，并把语言目标变成动作。

这些任务不是简单的pick-and-place变体。

比如在泛化任务中，桌面杂物最多可随机到25个，背景、光照、物体外观和布局都会变化；

在记忆任务中，机器人需要记住传送带上曾经出现又消失的物体，再从后续候选物中选出匹配目标；

在精细操作任务中，机器人要完成插管、对齐、插入等高容错要求动作，稍微偏一点就会失败。

长程任务则更接近真实家务：机器人不是做一个动作，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，而误差会一路累积到最后。

但RoboDojo没有停在仿真里。

真正让这座“具身珠峰”变高的，是它还把评测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。

这些任务不是仿真任务的一一复刻，而是专门用来考察机器人在真实物理世界中的部署能力。

比如ARX X5上有盖积木、做面包、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上则包括物体分类、拆乐高、挂杯子、把物品装进背包、清扫积木、盖笔帽等任务。

这些任务听起来都很日常，但对机器人来说并不简单。

因为真实世界里每一步都带着物理不确定性：物体可能滑动，夹爪可能没夹稳，机械臂可能有微小延迟，相机可能有噪声，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：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，既看最终成功，也看中间步骤完成情况。

也就是说，RoboDojo的真机部分不是“拍几个demo视频”，而是把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。

换句话说，RoboDojo不是只在仿真里问机器人“你会不会做题”，还在真实世界里追问：换一台机器人还稳不稳？真实接触来了会不会抖？物体偏一点还能不能修正？任务做到一半出错会不会恢复？离开仿真训练场，还能不能继续爬山？

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，差距摆上桌面

RoboDojo最核心的部分，是它的公开排行榜。

这也是它和很多“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”不是某家公司给自己修的观景台，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，但整体表现依然处在很低区间。

即便是领先模型，在五大能力维度上也没有一个真正“全能”。

有的模型泛化更强，有的精细操作更稳，有的长程任务能多推进几步，但一旦拉到完整榜单上看，短板就非常明显。

RoboDojo的一个关键信息是：今天的机器人模型不是不会动，而是不够稳；不是完全不会做任务，而是很难稳定做完任务。

很多策略可以完成部分步骤，但最终成功率很低。

比如长程任务里，机器人可能已经拿起物体、移动到目标附近，却在最后对齐、插入、放置或恢复阶段失败。

这也是具身智能和纯语言、纯视觉任务最大的不同：在物理世界里，差一点就是失败。

真实世界榜单更扎心

如果说仿真还是“训练场”，真实机器人就是“珠峰实地”。

真实世界榜单里，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。

这说明一个非常关键的问题：仿真里相对靠前，不代表真实世界里一定稳。

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demo视频里常常看不见，但在标准化评测中会集中暴露。

RoboDojo的意义也在这里：它不是只问“机器人有没有做成功”，而是在问：

这个策略能否在仿真中通过全面性考察，同时在现实世界中能够直面挑战？

为什么说这是“具身珠峰”

从结果看，RoboDojo暴露出一个很现实的判断：当前机器人基础模型的能力增长并不均衡。

有些模型可以更好地识别目标，有些模型可以更顺畅地执行动作，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短板。

最典型的是Open任务。即使最强模型，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“听懂人话并可靠干活”还有明显距离。

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。

这正是具身珠峰的难点：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，只改初始位置；RoboDojo支持不同任务、不同物体、不同布局同时跑，大幅提升评测效率。

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。

这次论文中，团队已经通过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，这很重要。

因为在通往通用操作机器人的路上，大家不仅需要更大的模型、更酷的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。

这并不是坏消息。

恰恰相反，RoboDojo把问题摆清楚了：谁能泛化，谁会遗忘，谁动作抖，谁只会做一半，谁在真实世界掉队，谁能在榜单上往上爬。

具身智能终于不只是比拼宣传片，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等领域顶会发表论文十余篇，获多项顶会研讨会最佳论文奖、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，欢迎大家持续关注。

文章来源：量子位。