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？

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AI2525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。未来扩展RoboDojo团队后续还会持续输出灵巧操作、移动操作、触觉操作、人型全身操作等评测。