具身智能的”高考”成绩：人类100分，最强AI只有12.8分

具身智能的”高考”成绩：人类100分，最强AI只有12.8分

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。

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。

我的判断：这是起点，不是终点

1. 从”demo驱动”到”标准化评测”

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。

但从RoboDojo可以看出，具身智能正在从”demo驱动”走向”标准化评测”。

这意味着什么？

意味着我们开始能够用同一把尺子，衡量不同模型的真实水平。

这需要两个能力：一是对机器人操作能力的深入理解，二是对评测标准的统一设计。

2. “仿真里强”不等于”真实世界里稳”

RoboDojo的发现说明了一个问题：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。

未来的具身智能竞争，将是谁能更好地从仿真走向真实世界，谁就能赢得市场。

3. “差一点就是失败”：物理世界的残酷

RoboDojo的关键信息是：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。

写在最后

具身智能的”高考”成绩：人类100分，最强AI只有12.8分。

这不只是一次评测结果的公布。

它标志着具身智能从”demo驱动”走向”标准化评测”，从”仿真里强”走向”真实世界里稳”。

从”单点能力登顶”走向”所有能力都不能掉链子”。

未来的具身智能竞争，将是谁能更好地从仿真走向真实世界，谁能更准确地识别”差一点就是失败”的问题，谁就能赢得市场。

这座”具身珠峰”已经立起来了。接下来，就看谁先登顶了。