硬刚全球顶尖模型，北大数院团队登顶RoboColiseum

机器之心发布 在 RoboColiseum 最新一期周榜中，MXI-SimWorld 以 0.9656 的成绩位列总榜第一、空间理解、通用操作子榜第一。 当大模型开始走进物理世界，如何让机器人理解指令、感知环境并完成操作，成为具身智能领域的重要课题。 11月11日， RoboColiseum 官方发布新一期周榜 ，榜单显示，截至2026年11月11日中午 12:00，北京大学数学科学学院杨超教授领衔的壹零壹壹公司旗下 MXI 团队，凭借物理 AI 框架 MXI-SimWorld v0 Preview ，以 0.9656 的综合得分位列 RoboColiseum 具身智能评测 总榜第一 。拆开四个子榜看， MXI-SimWorld v0 Preview 同样没有短板：空间理解、通用操作两项排名第一，指令跟随、扰动适应两项排名第二。四个维度全部进入前二。 Robocolisuem 总榜 截止到 2026 年 11 月 11 日 图源：RoboColiseum 作为由 Hugging Face、NVIDIA、清华大学等全球近 20 家高校、企业与科研机构联合发起的权威评测平台，RoboColiseum 是当下具身智能领域含金量极高的 “实机前置标尺”。它拒绝纸面刷题，通过域随机化机制、训练集与测试集严格隔离的规则规避过拟合，同时覆盖分布内与分布外双重测试，最终评测结果与真实机器人表现的相关性接近 90%，同一模型在仿真与真机两端的成绩差异小于 10%。 榜单设置 指令跟随 、 空间理解 、 扰动适应 、 通用操作 四大维度，前两项考验模型 “看得懂、想得明白” 的认知能力，后两项则直接检验 “动手能不能做成事” 的物理落地能力。 随着通用大模型不断进步，一个问题也愈发受到关注： 模型理解任务的能力，如何转化为机器人完成物理操作的能力？ 当大模型已经可以流畅写代码、完成复杂逻辑推理，指挥机器人完成桌面抓取、物品归置等任务，仍然需要面对物体位置、空间关系和动作执行等问题。GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 Argon 等通用大模型也曾参与 RoboColiseum 的评测。在此前的一轮评测中，它们的综合表现已接近头部专业具身模型。 但是，AI 听得懂“把笔放进笔筒”的指令，却需要进一步判断机械臂该从哪个角度靠近、物体被触碰后会向哪里滑动，以及什么时候松手。大模型从海量文本、图像中学懂了世界 “长什么样”，却没有学到 “做出动作之后世界会变成什么样”。 物理世界没有撤销键。一次动作执行失误就会不可逆地改变环境状态，这正是通用大模型落地机器人场景的致命短板。 一、SimWorld：让机器人先在仿真中预演 如果机器人在真正执行动作之前，能先尝试不同方案，看到它们可能带来的结果，会发生什么？ 这正是 MXI-SimWorld （下文简称SimWorld）的思路： 动手之前，先彩排。 SimWorld桌面整理长程任务演示 视频来源：1011.AI 以上面视频中的桌面整理任务为例。机器人要完成的第一步，是把桌上的黑笔放进笔筒。但笔该从哪里抓？机械臂沿什么路径移动，才不会碰到旁边的物体？ SimWorld 先从头部和腕部相机获取观测，识别桌面上的物体，再检索相似的仿真资产，调整它们的尺寸、外形和位置，搭建出一个可交互的仿真场景。 接下来，系统从同一个桌面状态出发，在多个仿真环境中并行尝试不同的抓取姿态和运动路径。碰到障碍或未能完成任务的方案被逐步淘汰，成功的轨迹被保留下来。 最后，SimWorld 将筛选出的轨迹带回原始任务场景，让机械臂抓起黑笔，放进笔筒。 一次动作执行之前，系统已经在仿真中预演过多种可能。 从场景观测到动作选择，仿真不再只用于生成训练数据，也开始参与模型的决策过程。MXI 团队将这一思路称为 Simulation as Policy：以仿真支撑策略决策 。 二、仿真让模型拥有一个可以反复尝试的世界 视频中的桌面整理任务，只是机器人与物理世界交互的一个缩影。 把笔放进笔筒，需要判断物体的位置、抓取的方向和机械臂的运动路径。如果换一个位置、换一种形状的物体，或者桌面上多出一个障碍，原来的动作方案可能就不再适用。 对机器人来说，真实世界不是一组固定的考题。物体的形状、材质和摆放方式会变化，动作执行后的结果也可能与预期不同。模型需要在不同条件下获得足够多的交互经验，才有机会学会如何应对这些变化。 最直接的方法，是让机器人在真实世界里反复练习。 但真实交互需要设备、场地、人力和时间。每完成一次尝试，研究人员可能都需要重新摆放物体、复位机器人，才能开始下一次实验。对于危险、罕见或容易造成损耗的情况，反复采集就更加困难。 仿真为这些问题提供了另一种思路。 在仿真环境中，同一个场景可以被复制、调整和重置。研究人员可以改变物体的位置、形状或场景条件，让模型在不同情况下尝试动作；也可以让多条候选路径从同一个初始状态出发，观察它们各自会带来什么结果。 这意味着，仿真的价值不仅在于生成更多训练数据。它还可以成为一个 可交互、可回退、可并行的预演环境 ：当系统需要做出选择时，先在其中尝试，再根据反馈判断下一步。 当然，要让预演结果真正具有参考价值，仿真环境也需要尽可能反映物体之间的接触、碰撞和运动。真实数据依然重要——它既可以帮助校准仿真，也可以用于检验模型在真实世界中的表现。 从英伟达的 Isaac Sim，到 World Labs 对机器人仿真公司 SceniX 的收购，空间理解、物理交互和仿真能力正在受到越来越多关注。各家选择的技术路线不同，但都在回应同一个问题： 如何让 AI 更好地理解物理世界，并在其中采取行动？ 在 MXI 团队看来，仿真可以更进一步：不仅服务于模型训练，也可以参与动作决策，为模型提供一个在行动前观察结果、比较方案的环境。 但要做到这一点，还需要回答几个具体问题： 如何根据眼前的场景搭建仿真环境？如何让物体的交互尽可能接近真实？又如何高效地预演多个动作方案？ 这正是 SimWorld 接下来要解决的问题。 三、SimWorld 怎么彩排： 场景配置、交互校准、动作预演 要让仿真参与模型决策，首先需要根据观测 搭建一个可交互的场景 ；接着，让虚拟物体在受到动作作用时 产生有参考价值的反馈 ；最后， 在多个仿真环境中尝试不同方案 ，为动作选择提供依据。SimWorld 将这几个环节连接起来，形成了从 场景 重建 、 校准 ， 预演 的完整过程。 第一步：重建，把眼前的场景“搬”进仿真。 SimWorld 的核心组件是可交互世界仿真器（Interactive World Simulator）。它把在线视觉观测和任务指令转化成一个可以操作的仿真环境。 系统先识别和任务相关的物体，结合深度信息估计它们的三维位置、朝向、尺度和相互关系。然后，依托 MXI 团队自研的谐物仿真引擎，按照“ 相似资产检索—未见资产生成—实例级编辑 ”的流程重建场景。 每个重建出的物体都有两套“身体”：几何网格负责外观，碰撞体负责接触计算。尺寸、位姿、摩擦等参数都可以调整。所有资产装进同一个场景坐标系后，一张视觉画面就变成了一个有几何结构、空间布局和物理属性的交互