RoboTwin原班团队再下场，构建具身评测珠峰

通用机器人，真的快来了吗？

过去一年，VLA、机器人基础模型、世界模型接连成为具身智能领域的关键词。各类 demo 中，机器人已经可以叠碗、插管、倒水、整理桌面，看起来正在从「听懂人话」走向「动手干活」。

但一个更关键的问题仍然悬而未决：这些模型到底强在哪里？是在仿真环境中表现较好，还是在真实世界中也同样稳定？它们能完成单个动作，还是能把一整套任务稳定做完？

曾推出 RoboTwin 系列基准的团队发布了RoboDojo，一套统一覆盖仿真与真实机器人操作的具身智能评测体系。它包含42 个仿真任务、18 个真实机器人任务，并将30 个代表性机器人策略放到同一套标准下比较。

评测结果显示：在仿真环境中，当前表现最好的通用机器人策略平均成功率为8.80%；在真实世界中，头部模型的平均成功率为12.8%。作为对照，人类专家在仿真中的成功率为76.03%，真实世界任务则达到100%

这说明，当前的机器人基础模型已经取得一定进展，但距离可靠、可复现的通用操作能力，仍有较大提升空间。

• 论文标题：RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies
• 项目主页：https://robodojo-benchmark.com/
• 论文地址：https://arxiv.org/abs/2607.04434
• Leaderboard：https://robodojo-benchmark.com/LeaderBoard
• Benchmark 代码：https://github.com/RoboDojo-Benchmark/RoboDojo
• XPolicyLab 代码：https://github.com/XPolicyLab/XPolicyLab

视频链接：https://mp.weixin.qq.com/s/J4LWa0m6tMgChf0awSu6hg

RoboDojo 项目介绍视频。

RoboDojo：

给具身智能出一套「综合卷」

RoboDojo 的核心并非简单堆任务数量，而是把机器人操作拆成五类更接近真实场景的能力维度：

• 泛化能力：模型能否适应新背景、新光照、新物体和杂乱场景。
• 记忆能力：模型能否记住之前看到的信息，并在后续动作中用上。
• 精细操作：模型能否完成插入、对齐、接触等高精度动作。
• 长程执行：模型能否连续完成多个互相依赖的步骤。
• 开放语义理解：模型能否理解未见过的语言指令，并转化为动作。

这些任务远非传统 pick-and-place 的简单变体。泛化任务中，桌面杂物数量、物体外观、背景与光照都会变化；记忆任务里，机器人需要记住传送带上曾出现又消失的目标；长程任务中，拿起、移动、对齐、放置任何一步出错，都会导致最终失败。

RoboDojo 仿真任务总览

这也是具身智能与纯视觉、纯语言任务的一个主要差异：在物理世界中，小的误差也可能导致任务失败。

从仿真到真机，也是评测的重要一环

RoboDojo 没有停留在仿真环境。团队设计了18 个真实世界任务，覆盖ARX X5PiperPiper X三种双臂机器人平台，每个平台各 6 个任务，包括制作食物、插管、插充电器、叠碗、挂杯子、清扫积木、给物体分类、把物品装进背包等。

RoboDojo Real-World Benchmark：18 个任务覆盖 3 种机器人平台

真实机器人操作任务示例

这些任务听起来日常，但对机器人来说仍具挑战性。真实世界会引入相机噪声、标定误差、机械臂延迟、夹爪打滑、接触不稳定、物体初始位置偏差等因素，一个在仿真中表现稳定的策略，迁移到真机上后可能出现性能下降。

为提高真机评测的可比性和可复现性，RoboDojo-RealEval 统一了硬件配置、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。每个 trial 由评审双盲打分，既看最终结果，也看中间步骤完成情况。

RoboDojo-RealEval 标准化评测平台

这使得它更接近一套标准化评测流程，而不仅是个案展示。

榜单结果：头部模型与人类专家仍有差距

在仿真榜单中，团队评测了 30 个代表性机器人操作策略，包括Hy-Embodied-0.5-VLASpatial Forcingπ0.5X-VLAGR00T-N1.7π0OpenVLA-OFT等。

排名第一的是Hy-Embodied-0.5-VLA，平均分，平均成功率8.80%。虽然领先其他模型，但与人类专家76.03%的仿真成功率相比，仍有较大差距。

仿真榜单：Hy-Embodied-0。5-VLA 暂列第一，平均成功率 8。80%

真实世界榜单中，π0.5排名靠前，总体成功率为12.8%，平均分为22.9。InternVLA-A1、GalaxeaVLA、Xiaomi-Robotics-0、X-VLA 等模型也进入头部区间，但整体成功率仍处于相对较低的水平。

真实世界榜单：π0。5 暂列第一，总体成功率 12。8%

在开放语义任务上，结果同样值得关注：当前表现最好的模型，在 Open 任务上的成功率约为1.67%

这表明，当前机器人模型已经具备一定操作能力，但在稳定性和任务完整度上仍有提升空间。它们往往能够完成部分步骤，但在对齐、插入、放置、恢复等关键环节仍容易出现失误。

RoboDojo 将排行榜可视化为一座「具身珠峰」

为什么单个 demo 不足以反映通用能力？

RoboDojo 的结果表明，机器人基础模型的能力增长并不均衡。有的模型视觉识别更强，有的动作执行更顺，有的长程任务能推进更多步骤。

而通用机器人通常需要在多个维度上同时表现稳定 —— 既要理解环境，也要记住关键信息；既要规划合理，也要执行准确；既要处理熟悉任务，也要理解开放指令；既要在仿真中跑通，也要在真实机械臂上稳定运行。

因此，单个任务、固定环境或经过筛选的成功片段，往往不足以全面反映模型是否可靠、是否具备泛化能力、是否适合实际部署。

RoboDojo 的价值在于，它把这些差异放到同一张榜单中比较，使不同模型在记忆、泛化、动作精度、长程执行和真机迁移等维度上的表现更加可见。

不只是评测，也是基础设施

除 benchmark 本身，RoboDojo 还提供两项关键基础设施。

异构并行仿真。传统仿真并行往往复制同一场景、只改变初始状态；RoboDojo 支持不同任务、不同物体、不同布局同时运行，显著提升评测效率。

XPolicyLab。统一接入层，处理不同机器人策略之间的数据格式、预处理流程、训练脚本、动作表示和部署环境差异。不同模型只要接入统一的 observation-action 接口，即可在 RoboDojo 仿真环境和 RoboDojo-RealEval 真机平台上运行。

这让 RoboDojo 不只是一次性论文基准，而更像一个可持续更新的具身智能竞技场：模型可以持续上榜，任务可以继续扩展，真实机器人评测也可以远程接入。

RoboDojo 后续计划扩展至灵巧操作、人形全身操作、触觉操作和移动操作

具身智能需要更统一的评测标准

过去，机器人领域的发展常常由 demo 推动。一个模型完成几个任务，容易让人产生通用机器人即将成熟的印象。

RoboDojo 的评测结果则提供了一个更完整的参照：当前模型确实在持续进步，但距离可靠、泛化、可部署的通用机器人操作，整体仍有差距。

从研究角度看，这样的基准有助于把问题描述得更清楚。通用机器人并不只是会抓取物体，或只会执行一句指令，而是需要在复杂、变化、带噪声的真实环境中，把感知、记忆、规划、控制和纠错串联起来，形成稳定闭环。

RoboDojo 提供了一套可重复使用的评测框架，为后续模型迭代和能力对比提供了共同参照。