具身大模型：先对齐评测，再对齐世界

过去两年，我们见过太多丝滑的机器人Demo，除了跳舞、打球等动作秀，还有端茶倒水、叠衣服、做饭等日常任务。

但这些视频的共同特点是，发布完论文或视频，就销声匿迹，你永远不知道，它在现实中到底是什么样。

这就是具身智能现在的核心矛盾：网上炒得火热，但还停留在“视频时代”。

最近，随着宇树科技IPO持续升温，这个问题也越来越受到重视。特别是宇树在招股书中提到，拟募资 42 亿人民币，其中半数资金砸向“智能机器人模型研发项目”，也就是俗称的具身模型。

宇树的成功，本质上是硬件工程能力的胜利。成本控制、运动控制、量产能力，这些都已经被验证。

但行业已经进入一个阶段，市场真正想要的，是另一件事：谁能做出通用的具身模型？

01.

具身模型“关公战秦琼”

如果你熟悉 AI 相关的最新研究，就会发现每隔一段时间，就会有来自公司或高校的研究团队，号称在具身模型、VLA（视觉-语言-动作模型）上取得了突破。

它们在 Isaac Gym 或 ManiSkill 等仿真环境里，在一些任务上，展现出了惊人的成功率，达到 90% 甚至是 95%。模型在虚拟实验室里动作优雅、逻辑无瑕，好像具身智能的 ChatGPT 时刻已经不远了。

这些研究当然很有价值，但它们有一个根本性问题：仿真环境与真实世界之间存在巨大的现实差距（Sim2Real Gap）。

在仿真环境中，物体材质、摩擦系数、传感器噪声、物体摆放方式等，都是可控的，而现实世界是不可控的。

这也是为什么，很多模型在论文里 SOTA，一上真机就崩。这种现象在机器人领域非常普遍，也是具身智能迟迟无法大规模落地的重要原因之一。

Demo 视频越来越多，论文越来越多，但大家很难真正比较不同模型之间的能力差异，就像是“关公战秦琼”。

问题不在模型数量，而在缺乏 Benchmark。

02.

RoboChallenge：具身智能的评测基础

行业迫切需要一个类似 ImageNet、GLUE、Arena 这样的真实世界统一评测标准，让不同模型可以在同一环境下进行横向比较。

正是在这样的背景下，RoboChallenge出现了。

RoboChallenge 由原力灵机与 Hugging Face 联合发起，被认为是全球首个大规模、多任务的真实机器人评测基准平台。

与传统机器人竞赛不同，RoboChallenge 的核心思想是建立一个类似大语言模型 LMSYS Arena 的评测体系：

• 统一机器人硬件（UR5、Franka、ALOHA 等）
• 统一任务
• 统一评测指标
• 模型远程提交
• 在真实机器人上执行
• 公开排行榜
• 可复现结果

研究人员即使没有机器人，也可以通过远程调用真实机器人测试算法，这大幅降低了具身智能研究的门槛。

这解决了一个核心问题：不同模型可以横向比较，模型好不好，直接上机跑。

更关键的是，RoboChallenge不仅给分数，还给失败轨迹。这点极其重要，因为传统的机器人竞赛，通常只关注最终的成功率，但对于具身模型来说，知道怎么失败的，更有价值。开发者可以通过分析失败环节，来进行针对性的微调和优化。

RoboChallenge 的目标不是做一次比赛，而是建立一个长期的评测基础设施，推动具身智能从实验室智能，走向现实世界智能。

截至目前：RoboChallenge 已执行超过4万次真机测试，单日提交达到181次，就像是机器人的工业级测试流水线。

03.

具身智能的残酷真相

RoboChallenge 在2025年下半年才推出，但已经暴露出了当前具身模型的很多问题和真相。

RoboChallenge 包括名为 Table30 桌面操作基准测试集，其中有 30 个精心设计的日常情境任务（一般竞赛或评测的任务仅有 3-5 个），例如整理物品、抓取物体、插线、摆放物品等。

从表面上看，这些任务似乎只是简单的桌面操作，但从能力结构来看，这类任务实际上覆盖了具身智能最核心的能力组合：视觉理解、语言理解、任务规划、精细操作、长时序决策、泛化能力等等。

换句话说，Table30 是在测试具身模型是否具备通用操作能力。

RoboChallenge 前不久发布了年度报告。结论概括来说：

• 榜首模型成功率约 50%。
• 模型在基础抓取任务上的成功率比较高，但在精细操作和长任务链任务上，成功率明显下降，比如“制作三明治”这个任务还没有模型能完成。

这说明什么？我们距离“通用操作智能”，还差很远。

有了客观的评测体系，才能真正衡量模型的水平。

04.

具身智能不缺模型，缺排行榜

如果回顾人工智能过去十几年的发展，会发现一个非常清晰的规律：几乎所有重大技术突破，都伴随着公开基准测试与排行榜竞争。例如：

• ImageNet 推动了深度学习视觉模型的发展
• GLUE / SuperGLUE 推动了 NLP 模型发展
• LMSYS Arena 推动了大语言模型竞争

公开 Benchmark 的作用不仅仅是比较模型性能，更重要的是，它能统一技术目标、提供可复现的评测方法、加速技术路线收敛、吸引更多研究者参与。

具身智能领域长期没有类似大语言模型领域的 benchmark，因此技术路线非常分散，很多团队做的是 Demo，而不是可复现系统。

RoboChallenge 的意义，可能正是在这里。

很多人讨论具身智能时，往往只关注模型本身，但实际上，具身智能是一个典型的系统工程，其进步也要依靠完整的基础设施。

除了算力、算法、数据、硬件等环节，评测体系是连接模型与应用的关键环节。如果没有统一评测体系，就无法判断模型是否真的进步，也无法形成行业共识。

从这个角度看，具身智能行业目前最缺的反而不是模型，而是一个公正的排行榜。

在今年的 AI 国际顶会 CVPR 上，还将举行 RoboChallenge CVPR 2026 机器人比赛。到时，Table30 V2 的预览版也将上线发布。

Table V2会从任务升级、评测升级到系统升级三个维度深度重构，也会对具身模型进行了全方位的极限压测。

如果你正在做具身智能、VLA、机器人控制，不要只做Demo，只做视频，应该去参与打榜比赛。

未来几年，具身智能领域真正的技术突破，很可能会首先体现在 RoboChallenge 的排行榜上。