具身智能“高考”难疯了！人类100分，最强模型12.8

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 具身智能“高考”难疯了！人类100分，最强模型12.8 思邈 2026-07-08 21:07:30 来源： 量子位 具身测评界的珠峰来了：RoboDojo 允中 发自 凹非寺 量子位 | 公众号 QbitAI 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