全球高校、社区、科研机构打造了个具身智能“竞技场”，30分钟测出真本事

当前，具身智能正迎来爆发式增长，各种模型层出不穷。但一个尴尬的现实是：大家都在秀“高光时刻”，却没人知道哪个模型真正可靠，短板又藏在哪儿。简单来说，这个领域缺一把统一的“尺子”。

一个名为RoboColiseum的仿真评测平台日前正式向全球开放。Coliseum原指古罗马圆形竞技场，它构建多维度的系统评测体系，以与真机表现高度一致的仿真评测，给具身智能模型搭建一个公开、中立、可复现的“竞技场”和“训练场”。任何高校、研究机构或企业开发者，都可以把自己的模型提交上去，接受一套标准化“考试”。

记者登录RoboColiseum的官网发现，该平台由hugging face、英伟达、清华大学等高校、科研机构、开源社区、机器人企业和模型公司等联合共建，自展开内测以来，已有海内外40多支队伍在平台开展模型训练与评测。

虚拟即现实，仿真评测对齐真实世界

模型在仿真环境中的优异表现，能否延续到真实物理世界？进入现实场景后，光照、材质、相机噪声、物体接触以及机器人初始位置和姿态的变化，都可能导致模型性能下降。因此，如何通过仿真评测准确衡量模型的真实能力，仍是一个关键难题。

RoboColiseum基于高保真仿真环境构建，在环境渲染和物理交互方面高度还原真实世界。经实测验证，仿真评测与实机部署的相关性达到89.5%，相同模型在仿真环境与真实世界中的评测差异小于10%。仿真评测由此可以作为真机表现的可靠参考，帮助开发者在进入成本更高、周期更长的真机测试前，快速完成模型筛选与问题定位。

这一验证链路也是双向的：使用真机数据训练的模型可以直接提交仿真评测，仿真数据训练的模型也能够通过真实机器人验证迁移效果。虚拟环境与真实世界由此实现双向打通，让开发者能够以更低成本获得高置信度结论，显著缩短“训练—评测—改进—部署”的迭代周期。

打造维度最丰富的评测体系，四大维度精准归因能力短板

传统评测往往用一套综合成功率概括模型表现，RoboColiseum则围绕不同能力维度设置多个任务集，考察模型在各个维度中的表现。目前，平台已推出4类能力子榜、78个高保真仿真评测任务。未来还会结合产学研需求，持续更新任务和评测维度。

4类能力子榜分别是指令跟随（考察模型能否理解颜色、数量、形状、尺寸、类别、逻辑与常识等自然语言信息，找对目标并执行正确动作）、空间理解（检验模型对绝对位置、相对关系、尺寸与序号排序、堆叠和空间对齐等信息的理解能力）、扰动适应（通过改变背景、光照、材质、机器人初始状态、相机位置与图像质量，并对指令进行多样化改写，检验模型在非理想环境中的稳定性与泛化能力）、通用操作（覆盖开门、倾倒、舀取、上货、分拣、整理桌面和双臂协作等多步骤任务，衡量模型组合运用原子操作技能的能力）。

为了让失败原因可追溯，每项任务都会被进一步拆解为多个子步骤。评测平台不仅判断最终任务是否成功，也会记录模型完成了哪些步骤、在哪一步失败以及在不同场景中的泛化能力。

在评测设计上，RoboColiseum通过大规模、多样化样本降低单次测试的偶然性，并采用域随机化、训练集与测试集隔离、分布内与分布外测试等机制，减少模型依赖固定布局或数据规律“走捷径”的可能，提高评测结果的稳定性。

AI agent一键提交，30分钟获得评测结果

对于开发者而言，高质量评测往往伴随着复杂的环境配置、资产适配和算力成本，搭建完整评测链路耗时耗力。

RoboColiseum将这些环节封装为一套自动化服务。开发者从注册到提交最快仅需5分钟，一键部署模型，最快30分钟即可完成仿真评测。平台将自动返回分项成绩、任务步骤结果及模型推演视频，直观呈现机器人在每个任务中的执行过程。

借助AI Agent，开发者还可通过自然语言对话完成数据下载、模型训练、本地验证和评测提交。模型代码和权重无需上传，只需在本地部署推理服务并接入标准接口，即可连接平台开展评测。

RoboColiseum已提供ACoT-VLA、π0、π0.5、GR00T等国际具身基座模型的基线成绩。开发者提交自己的模型后，即可在四个维度上与主流模型进行逐项比较，快速判断自身优势与不足。

同时，RoboColiseum提供各基线模型在平台任务上的训练代码及对应权重，开发者可自行复现训练与评测过程、核验基线成绩，并在统一条件下开展模型对比与后续研究。

来测！仿真评测平台网址：http://robocoliseum.ai/

原标题：《全球高校、社区、科研机构打造了个具身智能“竞技场”，30分钟测出真本事》