人均第一，具身智能榜单能信吗？

刷题、话术包装、资源置换。

定焦One（dingjiaoone）原创

作者 | 王璐

编辑 | 魏佳

具身智能赛道持续吸引资本目光的同时，各类相关榜单也越来越多。当“第一”几乎成为各家标配时，榜单还有可信度吗？

一个多月前，千寻智能就经历了尴尬时刻。6月初，其具身基座模型Spirit v1.6在RoboArena榜单上以1918分的成绩超过了英伟达Cosmos3的1880分，一度位居“世界第一”；紧接着，千寻宣布完成15亿元A+轮融资，三个月内累计完成四轮密集融资，总额接近50亿元，创下具身智能赛道的融资频率新高。

不过，业内对评测数据的质疑几乎从次日就开始升温。有观察者指出，在310次评测记录中，有72%的分数来自两个账号。更值得关注的是，RoboArena官方随后发布声明，经回溯调查后移除了部分存疑的评测数据，并更新了榜单排名。Spirit v1.6也随之从榜单上除名。

但这一事件并未浇灭玩家们的热情，翻开近半年的行业新闻，星动纪元、原力灵机、极佳视界、智元、跨维、鹿明……几乎每一家头部公司手里都攥着一个“第一”，且这些“第一”维度各不相同。

这一景象或许不难理解，具身智能目前技术路线还没统一、真机成功率大多卡在五六成，外界想判断一家公司到底行不行，很大程度上只能依赖榜单。可当发榜的既有高校、机构也有媒体，各家标准各不相同、有的还牵扯商单和利益关系时，榜单本身还能不能当尺子用，就成了一个问题。

一位关注具身赛道的投资人坦言，榜单更偏市场行为，最多算投资决策的一个参考，他对于千寻这件事并不吃惊。在他看来，真正在意名次的，往往不是以财务或技术为出发点的机构，而是一些地方引导基金或偏国资的资金，一个“第一”，可能正是他们“写在报告里一个比较好的入口”。但也有投资人持不同看法，他们认为在技术门槛高、信息不对称的早期赛道，榜单至少提供了一个横向比较的起点。

当“第一”的数量比认真做机器人的公司还多时，这些榜单到底是在测技术，还是在测讲故事的能力？哪些榜单还值得看？

01.技术路线还没统一，先人手一个“第一”

我们先来盘一盘目前市面上的榜单，建立一个大致印象。据不完全统计，目前具身智能的活跃榜单高达20余个。按评测内容，这些榜单大致可以分成三类。

VLA操作综合榜，考察机器人能不能真干活，跑的是任务成功率，代表榜单是RoboChallenge Table30、MolmoSpaces；

世界模型榜，考的是脑内推演对不对，考察模型对物理世界的推演，不考机器人手脚利不利索，代表是World Arena和WorldModelBench；

专项基准榜，考察“极端情况下会不会露馅”，针对单点极端能力，比如双臂协同、仿真到真机迁移，代表是RoboTwin 2.0、SimplerEnv、LIBERO 和 CALVIN。它的价值在于，在综合榜照不到的极端场景里，把模型的短板逼出来。

需要说明的是，这三类榜单各有侧重、互不替代。真机榜测执行、世界模型榜测推演、专项榜测边界，没有任何一个能覆盖具身智能的全部能力。

有了这层坐标，近半年具身基座模型的战报就能对号入座。如果把近两个月具身基座模型的战报汇总，可以得到一份相当壮观的名单。

今年5月，星动纪元Era0宣称拿下RoboChallenge Table30第一；智元GE-Sim 2.0是World Arena Track1第一；跨维DSCFuncWorld是World Arena Track2第一。进入6月，千寻Spirit v1.6拿下RoboArena第一（后被除名），鹿明Prime R0登顶MolmoSpaces。几乎每一家都是第一，而且都有具体榜单排名作背书。

而乱象，也是从各种榜单开始的。

最明显的是，榜首像流水席，“第一名”更换频繁。

RoboChallenge Table30的榜首，过去半年里至少换了四次：先是千寻Spirit v1.5以50.33%的成功率刷新纪录，很快又被极佳视界GigaBrain-0.1、美国波士顿动力Atlas、星动纪元Era0先后超越。

这个速度，比大语言模型的主流榜单更新快得多。2023年到2025年，GPT-4、Claude 3、Gemini 1.5在MMLU、GSM8K等榜单上的榜首位置，通常能守数月甚至一年，即便是2020年到2022年的高速迭代期，GPT-3、PaLM也是以月为换榜周期。“当下的具身智能，单个模型能霸榜一周就算不容易。”一家头部具身智能公司的从业者米范表示。

其将主要原因归结为两点。一是物理世界的随机性，同一个模型在真机上跑两次，成功率差三到五个百分点很正常，光照、物体位置、机械臂公差都会影响结果，而MMLU这类大语言模型榜单是固定题目、确定性判分，同一模型跑一百次分数几乎不变。二是测试任务的公开程度，像RoboChallenge的Table30，30项任务分布是公开的，各家可以照着任务专门采数据、微调模型再提交，榜首的“保质期”于是被压到了以周计。

更让人迷惑的，是同一个榜里会同时冒出好几个“第一”。

World Arena就是典型，智元GE-Sim 2.0、跨维DSCFuncWorld对外都称自己“登顶World Arena”，但事实是，这个榜单含有多条赛道，智元GE-Sim 2.0在Track1（感知与动作响应）以68.26分排第一，跨维DSCFuncWorld在Track2（数据引擎）排第一。“第一”分属不同个子榜，对外却被统一写成了同一句话。

对不熟悉赛道划分的读者来说，两家并列的“World Arena第一”的说法几乎无法分辨，甚至会怀疑是不是有人在撒谎，但其实谁都没说错，只是不够精确。

还有一层更模糊的地带是，榜单性质混杂，“第一”的含金量却被默认成同一档，容易产生误导。

一些公司的对外口径里，经常会同时列出“某模型在RoboChallenge排名第一”，和“在某具身智能媒体的测评中也位居第一”。前者是7×24小时真机跑出来的成功率，后者可能只是编辑部闭门讨论、甚至商务合作敲定的名单，两者被并排放进一句话，含金量却被默认成了同一档。

其中最模糊的是“产业榜”，有些榜单顶着“产业”二字，但既不是真机锁死的硬榜，也不是学术机构背书的benchmark，而是咨询公司或媒体合办的打分榜。类似情况也在大语言模型圈出现过，但随着学术榜、商业测评、媒体榜逐渐分层，“双料第一”才慢慢被拆掉，而具身智能，眼下正处在那个尚未分层的阶段。

三种现象叠加，结果就是榜单“第一”严重通货膨胀。而且这种通胀不只停留在营销层面，一个“第一”的头衔往往能换来关注度、资源和实打实的估值溢价。

02.一个“第一”是怎么造出来的？

既然榜单能撬动真金白银，如何把第一造出来，也形成了“潜规则”。业内人士介绍，虽然千寻Spirit v1.6属于极端个例，但行业里造“第一”的现象并不少，手法大致有三种。

成本最低、也最普遍的一种方式是话术包装，“单科第一”成了“总分第一”，核心是省掉关键限定词。

比如实际拿的是“RoboTwin 2.0双臂协同VLA类Clean档第一”，对外就变成“登顶RoboTwin 2.0”；实际是“LIBERO-Plus场景泛化专项第一”，对外就成了“LIBERO-Plus榜首”。数据没造假、成绩也是真的，但“第一”所指代的范围被人为放大了。

第二种方式是利用“刷题”等方式直接干预结果。

一条是“照着考题练”。榜单公开的任务分布、评分标准、环境参数，都可以拿来做定向后训练，在一些任务相对固定的榜上尤其明显，各家可以通过反复“刷题”、过拟合到特定场景换来高分。

米范表示，具身领域的部分榜单的测试任务是公开的，各家可以针对这些任务专门采集数据、微调模型后再提交，这在具身圈被视为正常迭代，不算作弊，和LLM领域的“数据泄露、数据污染”有本质区别。

另一条是钻评测机制的漏洞。有些榜权威性很高，机制却有空子可钻。比如RoboArena采用开放注册、分布式评测，本意是让更多人参与，却留下了三个空子。

图源 / RoboArena官网

一是评测者身份无门槛。任何人都能注册当裁判，短期内大量新账号集中评测同一个模型，就能把它的Elo分数快速推高；

二是匹配不强制全覆盖，随机分配对手不等于必须跟同期在榜者都打一轮，评测者领任务时，A 是固定的，B 是从分数相近的模型里随机抽，样本不够大时两个模型完全可能一次都排不上。比如Spiritv1.6早期与DreamZero交手，23场后停战，与5月30日入榜的英伟达Cosmos3-Nano-Policy为零对战；

三是集中刷评，用多个账号密集评测自家模型，把负面记录降低。比如Spirit v1.6的310次评测记录中，72%的分数来自于ECUST和Robotics Lab两个账号，它们用224场评测刷出97%胜率，把Spirit v1.6推上第一，但英伟达用同样条件自测21次，胜率0%，两组数据摆在一起，直接让从业者产生怀疑。

事后，RoboArena补了规则：评测者必须是无利益关联的第三方，堵住自刷账号的入口，评测完成率低于20%的账号标为可疑，堵住选择性匹配。而处理后，千寻跌出榜单。

还有一种方式最隐蔽也最泛滥，是资源置换，把榜单直接做成生意。

不少媒体榜评选标准并不透明，有的干脆与被评对象存在商务合作，双方联合发一份“权威报告”，把媒体榜和学术benchmark并排包装。它不涉及技术，也不涉及数据，只涉及预算和关系。不止一位从业者表示，刷榜、买榜等现象并不少见。

这三种手法往往叠加，先靠针对性训练或钻空子把分数刷上去，再用赛道偷换掩盖来源，最后用话术对外传播，必要时再买个媒体榜背书。层层包装之下，“第一”就成了。

这些手法在行业内部并不是秘密。真正的问题在于，看穿它们需要一定的技术功底，技术越复杂，外行越难分辨，故事就越容易讲。

03.去掉水分，还该信什么？

不止一位具身智能从业者坦言，他们当下已经不太关注榜单排名了，因为榜单能刷、能买，即便一切合规，物理环境的复杂性也让数据很难做到百分百准确。

更深一层的问题是，这个行业目前还没有一把“通用的尺子”。

具身智能从业者gashero用“炒鸡蛋”和“拌凉菜”打了一个比方：机器人A擅长炒鸡蛋、成功率90%，机器人B擅长拌凉菜、成功率85%，但不能就此说A比B强。炒鸡蛋考验抓取和翻锅，拌凉菜考验精准倒料和搅拌，两件事技能不同、难度不同、评价标准也不同。当下的具身智能赛道还没有一个统一标准，能把“炒鸡蛋的能力”和“拌凉菜的能力”折算进同一个打分体系里。

不过，这不代表榜单一无是处。从业者普遍认为，榜单仍有其参考价值，关键在于知道什么值得看，以及看完之后还该看什么。

图源 / RoboChallenge官网

综合业内共识，真正可信的榜单，大体同时具备三个特征。

一是分项透明，不是只甩一个“第一”。

不论综合榜还是专项榜，可信的做法都是把细项一一拆开。以RoboChallenge Table30为例，它测的是30项日常任务的综合成功率，可信之处在于，不仅告诉读者64.33%这个综合数字，还让读者看到30项里哪几项做得好、哪几项掉链子。只报总分、不报细项的榜，价值要大打折扣。

二是评测由第三方掌控，且有反刷题设计。

MolmoSpaces不允许微调，模型直接“裸考”；LIBERO-Plus则加了光照突变、背景杂乱、相机角度变化等极端扰动，专门防止靠死记硬背拿分。它们的共同特点，是让刷题变难，让泛化成为真正的门槛。

三是看评测机制，而不是看更新频率。

更新慢的榜单不一定可靠，更新快的榜单也不一定可刷。有些榜更新慢，可能因为真机评测成本极高，比如RoboChallenge一次完整评测周期可能要数周，30项任务每项跑10次，一共300次真机尝试，7×24小时连续运行，这是物理世界的成本约束。而有些榜更新快，则是机制设计。比如RoboArena采用了Elo评分系统进行动态排名，每天都有新对战数据进来，排名自然每天更新。这种快本身不是问题，它的可信度取决于机制是否严密、漏洞是否被补上。

但是，既然圈内都知道榜单有水分，为什么大家还在拼命刷？

答案在于行业当下的阶段。

眼下这场“第一”的争夺战，本质上是资本焦虑的产物。今年是具身基座模型密集迭代的一年，早期赛道出货量、营收、订单量都不稳定，只能拿榜单顶上。融资导向的阶段没变，刷榜这件事就不会停。

当行业进入下一阶段，评判的标尺会自然切换，例如每年交付多少台、有哪些固定客户、是否能盈利。到那时候，“第一”的通货膨胀会自然消散，榜单也会退回它本该在的位置。

或许，那些不忙着刷榜、只顾着把机器人送进产线的公司，才是行业真正的答案。

*题图由「定焦One」拍摄。应受访者要求，文中米范为化名。