RoboChallenge發布年度報告：評測標尺夠權威嗎？

具身模型在榜單里卷起來了。

作者丨劉欣

編輯丨馬曉寧 高景輝

當下的具身智能行業可謂陷入了“Demo”的怪圈，大家驚呼于視頻內機器人的流暢操作，但視頻中的機器人卻又在現實世界中頻繁失誤。

這種虛假繁榮的背后，其實是行業長期缺乏真實場景驗證、評測標準模糊等問題。機器人從實驗室走到現實世界，始終被仿真到現實世界等難題所制約。

模擬器的評估無法完美復現真實世界中的物理擾動、環境變異等關鍵因素，在此背景下，2025年10月原力靈機Dexmal與Hugging Face聯合推出了全球首個具身智能大規模評測平臺——RoboChallenge。

緊隨其后，原力靈機又與Hugging Face聯合智源研究院、智元機器人、Qwen、星海圖、自變量、清華大學、西安交通大學及GOSIM等機構，于2025年11月20日正式成立RoboChallenge組委會。

2026年1月11日，RoboChallenge榜單更新，前三名依次為Spirit v1.5、pi0.5、WALL-OSS。其中，Spirit v1.5是出自中國千尋智能自研的模型，而WALL-OSS則是自變量機器人的全自研開源操作大模型。

這個榜單釋放出了一個重磅信號：中國自主研發的具身智能模型，已具備與國外頂級模型同臺對打的實力，甚至還打贏了。

不過，作為推出還沒多久的新興評測平臺，尚處發展完善階段，網絡上的態度也充滿爭議，所以AI科技評論打算從技術和核心設計的角度，對RoboChallenge進行深度拆解與解讀。

01
RoboChallenge系統核心設計

在具身智能領域，真機評測的標準化與公平性?期以來一直是制約技術橫向對比的關鍵瓶頸。而缺乏統一的評測標尺，更讓不同團隊的技術成果難以形成有效對比，嚴重影響了行業迭代效率。

但提供機器人在線服務并非表面看上去那么簡單，首要問題是如何向提交算法的用戶開放機器人訪問權限。

原力靈機最開始考慮了三種主要的模式，分別是模型級提交、系統級提交、模型API調用，但這三種模式最后都沒有采用，原因在于：

? 計算兼容性：提交模型并使其在其他環境中正確運行極為復雜。軟件棧和硬件配置難以匹配，除非提供完全訪問權限，否則幾乎無法調試。

? 靈活性：原力靈機不希望將用戶限制在以往系統中默認的 “觀測 - 動作” 映射所隱含的 “暫停 - 推理” 控制模式中。

? 可訪問性：并非所有人都擁有公網IP，尤其是在網絡地址轉換（NAT）主導的現代互聯網環境中。

于是，原力靈機采用 “遠程機器人” 交互范式，摒棄傳統模型提交、Docker鏡像部署等方案，讓用戶無需上傳模型文件或推理代碼，通過標準化低層級API即可實現全異步交互。

不同于仿真測試，RoboChallenge擁有UR5、Franka、ARX5、ALOHA等主流機型在內的20臺真機測試集群，對這些機器人的選擇上，還有幾條準則：耐用性、普及性、安全性以及性能良好。

所有機器人均搭載Intel RealSense深度相機，包含俯視工作區域的主相機、機械臂末端的腕部相機及單臂設備專用的側面相機，為VLA模型提供多視角觀測數據。

前期的準備完善后，RoboChallenge又發現測試中的各種因素會導致最后的結果巨大，難以成為客觀、公正的測評體系。因此，需要一套規范的方法來控制測試中的各種因素。

首先，對于測試人員導致的差異，RoboChallenge對有經驗、無經驗、適應性的測試人員進行了測試，發現了一種 “最佳區域效應”（Sweet-spot Effect），如下圖所示，存在特定的物體位置組合，在這些位置上任務更有可能成功。根據這些經驗，RoboChallenge設計出了更完善的評估協議，特別是更穩定的物體重置方法。

RoboChallenge還對環境中的各種因素進行了研究，比如光照條件，但進行的概念驗證實驗發現，背景或環境的變化不會對測試結果產生太大影響。

02
Table30基準測試集

Table30基準測試集包含30項圍繞固定工作臺執行的任務，涵蓋家庭、廚房、辦公、校園等多元場景，任務類型包括物體整理、機械操作、分類分揀、軟體處理等，全面覆蓋了VLA模型的核心技術挑戰。

這些任務衡量了通用機器人控制算法應具備的多種能力，乍看下來很簡單，但即使是最先進的基礎模型也無法達到較高的總體成功率。

任務的選擇也不是毫無根據的，主要遵循難度覆蓋全面、算法挑戰覆蓋全面、貼近現實生活以及簡潔性這四個原則。

RoboChallenge認為，基準測試集是衡量通用機器人技術方法的必要測試。并且，隨著評估數據的積累可以發現更多趨勢：

首先是，模型的單任務與多任務模型的能力差距顯著。

RoboChallenge的評測區分了單任務模型和多任務模型，單任務模型是對特定任務進行優化，多任務模型能夠使適配不同類型的任務，泛化能力較好。

對比同一基座模型在單任務與多任務設定下的表現，pi0.5的多任務模型成功率相較于單任務模型下滑了25%。這一數據變相印證了模型需要提高多任務泛化能力。

至于如何平衡“單項精準度”與“多任務適配性”，這或許將會成為通往通用具身智能的關鍵課題。

其次，任務難度梯隊清晰，部分任務成行業共性難題。

Table30的每一個任務都是賦予了機型、構型、能力類型這三個維度，共15個標簽。

通過對頭部模型成功率的分布，可以將30個標準化任務分為三個不同能力梯隊。

第一梯隊是hello world級任務，這類人任務對于頭部模型而言沒有任何難度。第二梯隊是簡單的任務，對于頭部模型比較友好，難度較低。而第三梯隊則是特定模型的特長，此類任務呈現極端的兩級分化。

更值得關注的是，有部分任務呈現“零突破”的困境——所有參測模型成功率均為0%，典型案例包括“做素三明治”“給盆栽澆水”等任務：

復盤任務后發現，“做素三明治”任務的核心難點在于時序性，做三明治需要按照嚴格的順序來做，模型往往在第一步就容易出現數量錯誤和失敗，所以容錯率極低，一步錯步步錯。

“給盆栽澆水”任務則暴露了模型的時序依賴缺失問題，長程任務要求模型維持對歷史狀態的記憶。一旦中間階段出現狀態丟失，模型就會陷入邏輯混亂，產生類似“幻覺”的隨機動作。

此外，整理書籍、疊抹布、排列紙杯等任務，也成為參測模型的高頻失敗場景。

除了Table30測試集中的30項任務，RoboChallenge指出，當前具身智能領域典型的“卡脖子”任務可以從靈巧性、泛化性、智能以及性能這四個維度梳理。靈巧性是指輸出不同的動作、駕馭不同的身體；泛化性是指即使測評對象不同也能成功；智能是面對沒做過的任務也能嘗試做成功；性能是指機器人的效率。

總的來說，這些失敗案例共同指向一個核心結論：當前VLA模型仍未突破“感知-理解-決策-執行”的全閉環協同難題，距離真實場景的規?；瘧萌杂休^大差距。

可見，當下的VLA參測模型仍然存在一些本質上難以解決的因素，現有模型還有巨大的提升空間。

03
落地效果良好

RoboChallenge的報告中指出，平臺用戶注冊數與評測提交量在過去三個月呈指數級增長。并且活躍用戶區域也不僅限于中國開發者，美國、新加坡等地的開發者正在逐漸涌入。

平臺累計執行的真機測試總數甚至超過了4萬次，單日真機測試峰值達到834次，Table30測試集在Hugging Face平臺上的累計下載量已達17k次。

從上述前期的準備和后期的效果上來看，RoboChallenge的確精準衡量了VLA模型在真實場景中的綜合能力，為市場提供了一個較為客觀的評測標尺。

同時，也讓業內人士發現，VLA模型仍在攻克人類的本能級操作，參測模型雖具備較強的指令語義理解能力，但在精細操作任務中成功率不高。

而這些尚未解決的技術難題，也正是模型未來的核心發展方向。而當當前的技術難題被模型完美解決后，平臺未來將設計出更有區分度的Benchmark，持續引領模型技術迭代。

基于良好的發展基礎，RoboChallenge進一步釋放開放協作的信號，明確表示希望能吸引更多研究機構、科技企業、初創團隊及高校力量加入。

RoboChallenge的早期發起人之一范浩強在回憶建立RoboChallenge的心路歷程時，也迫切地表示想弄出下一個Benchmark，涵蓋更多更難的任務，更長程的、更廣泛的任務，而打造有價值的真實任務、向真實場景靠攏，也是RoboChallenge 2026年的核心發展方向。他還真誠地向全社會喊話，希望大家加入他們的社區一起討論、一起分享。

未來，隨著更多新鮮任務場景的注入、創新評估方法的融合及基準測試集的持續迭代，或許能揭示具身智能模型更多的特性和不足，推動具身智能模型向更通用、更實用的方向穩步發展。

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。