当前位置：首页 > news >正文

RoboDojo评测基准立起“具身珠峰”，当前机器人模型距通用操作还有多远？

news 2026/7/9 10:02:02

RoboDojo评测基准：通用机器人攀登“具身珠峰”，当前模型距可靠通用操作还差多远？

过去一年，VLA、机器人基础模型、世界模型轮番登场，机器人的一个个demo看起来越来越丝滑，能完成叠碗、插管、收纳、倒水、整理桌面等任务，似乎开始听懂人话、理解世界、动手干活。但问题也随之而来：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，曾推出RoboTwin系列基准的原班团队带来了RoboDojo，一个统一的仿真 + 真实世界机器人操作评测基准。其官网为https://robodojo - benchmark.com/ ，arXiv链接是https://arxiv.org/abs/2607.04434 ，排行榜见https://robodojo - benchmark.com/LeaderBoard ，基准代码在https://github.com/RoboDojo - Benchmark/RoboDojo ，XPolicyLab代码为https://github.com/XPolicyLab/XPolicyLab ，社区链接是https://robodojo - benchmark.com/community 。

它不只是又一个benchmark，更像是给具身智能立了一座“珠峰”：有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。结果很残酷，当前最强通用机器人策略，在仿真平均成功率仅8.80%；到了真实世界，最好模型平均成功率也只有12.8%。而人类专家在仿真里成功率达76.03%，在真实世界是100%。这表明机器人基础模型虽开始攀登具身珠峰，但大多还在山脚适应高反。

任务设计：这座山为何难？

RoboDojo的难点不在于简单堆砌任务数量，而在于把机器人操作能力拆成更接近真实世界的“登山关卡”。

在仿真环境中，它设计了42个任务，围绕五个核心能力展开：

Generalization：看模型能否适应新背景、新光照、新物体和复杂杂乱场景。比如泛化任务中，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。
Memory：看模型能否记住之前看到的信息，并在后续动作中用上。像在记忆任务里，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。
Precision：看模型能否完成插入、对齐、精确接触等高精度操作。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。
Long - Horizon：看模型能否完成多步骤、强依赖、误差会累积的任务。长程任务更接近真实家务，机器人要连续完成多个子步骤，拿起、移动、交接、对齐、放置等每一步都可能引入误差，且误差会一路累积到最后。
Open：看模型能否理解没见过的开放语义指令，并把语言目标变成动作。

不过，RoboDojo没有停在仿真里。它把评测搬到真实机器人上，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复刻，而是考察机器人在真实物理世界中的部署能力。例如，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。

真实世界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。这意味着RoboDojo的真机部分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，追问机器人换一台还稳不稳、真实接触会不会抖、物体偏一点能否修正、任务做到一半出错能否恢复、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，即仿真诊断和真实部署两条路线都不能掉链子。

榜单一出，差距尽显

RoboDojo最核心的部分是其公开排行榜。它和很多“自家模型自家测”的评测不同，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，榜单治理由公益性组织AI MMLab Club基金会负责。这意味着这座“具身珠峰”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个代表性机器人操作策略，如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，但整体表现仍处于很低区间。即便领先模型，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，但拉到完整榜单上看，短板明显。这表明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，如相机噪声、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等，这些在demo视频里常常看不见，但在标准化评测中会集中暴露。RoboDojo的意义在于，它不只是问“机器人有没有做成功”，而是追问这个策略能否在仿真中通过全面性考察，同时在现实世界中直面挑战。

为何是“具身珠峰”

从结果看，RoboDojo暴露出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，有些能更顺畅地执行动作，有些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弱。这就是具身珠峰的难点，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”，专门解决机器人策略评测中不同模型数据格式、预处理流程、训练脚本、动作表示和部署环境不同，导致工程成本高的问题。XPolicyLab把这些外部流程标准化，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。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，有了更高的山

过去，机器人领域常被demo驱动，一个模型能完成几个漂亮任务，就容易让人产生“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。这并非坏消息，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）。是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。