人类 100 分，最强模型 12.8 分——RoboDojo 把机器人的底裤扒了

通用机器人的临门一脚，幻觉先碎了。

2026 年 7 月 8 日，量子位报道了一个叫 RoboDojo 的基准发布。它的数据摆出来很扎眼：真机评测里表现最好的模型 π0.5，总体成功率 12.8%；仿真最强 Hy-Embodied-0.5-VLA，成功率 8.80%。人类专家在真机上的成功率是 100%。最强模型在开放语义任务上的成功率，只有 1.67%（量子位转述 RoboDojo 论文 / arXiv:2607.04434）。

这不是又一个"自家模型自家测"的 benchmark。它背后站着港大 MMLab 和北大的学术联盟，治理方是公益组织 AI MMLab Club 基金会，没有商业模型方在出题。换句话说，这是一份独立出题人给全班考生出的考卷，30 个主流机器人策略同台竞技。

一年前，"叠碗、插管、倒水、整理桌面" 的 demo 视频刷屏，让很多人产生错觉：通用机器人快来了。RoboDojo 的回答是——快了，但远没有宣传的那么快。

---

RoboDojo 到底在测什么

具身智能的评测过去一年乱得很。每家厂商自己拍视频、自己定义任务、自己宣布 95% 成功率。没有统一的试卷，再牛的分数也没法横向比。

RoboDojo 想做的就是那张试卷。它把机器人操作能力拆成五个核心维度：

• Generalization（泛化）：能不能适应新背景、新光照、新物体和杂乱场景。桌面杂物最多可随机到 25 个。
• Memory（记忆）：能不能记住传送带上出现又消失的物体，再从后续候选里把它挑出来。
• Precision（精细操作）：能不能完成插管、对齐、精确接触。偏一点点就算失败。
• Long-Horizon（长程）：能不能连续完成多步骤、强依赖、误差会累积的任务。
• Open（开放语义）：能不能理解没见过的开放指令，把"把那个红色杯子放到左边"变成动作。

仿真里给了 42 个任务，真机上给了 18 个任务。真机采用 ARX X5、Piper、Piper X 三种双臂平台，每平台 6 个任务。每次测试前评测人员按预设布局复现场景，每个 trial 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（量子位 / RoboDojo-RealEval 协议）。

这套设计直接戳穿了 demo 视频的两个套路：演示任务是精心挑过的，演示环境是精心布置的。RoboDojo 把这两个精心都拿掉，剩下的就是真本事。

最狠的是，它把所有外部流程——数据格式、预处理、训练脚本、动作表示、部署环境——交给了一个叫 XPolicyLab 的统一接入层做标准化。30 个策略通过这个接入层公平比较，工程成本从"各家各自适配"降到"一次接入，多处评测"（XPolicyLab GitHub）。

这是 RoboDojo 真正的硬核之处：它不只是一张试卷，还是一套让机器人圈能持续互相比较的基础设施。

---

12.8% 背后的三个真相

真相一：头部策略都不"全能"，短板极明显

榜单第一 Hy-Embodied-0.5-VLA 平均分 13.07，第二名 Spatial Forcing、π0.5、X-VLA、GR00T-N1.7 等紧追，但都在个位数到十几分之间。

更关键的是，没有任何一个模型在五个维度上都强。有的泛化强但精细操作弱，有的精细操作稳但长程任务跑不远，有的长程能推进几步但开放语义一塌糊涂。

在物理世界里，这一点会被放大——在物理世界里，差一点就是失败（量子位转 RoboDojo 论文）。长程任务里机器人可能已经拿起物体、移动到目标附近，却在最后对齐、插入、放置或恢复阶段失败。仿真里这种"差不多"还能给点分，真机里就是 0。

真相二：仿真→真机迁移不一致

榜单上一个反直觉的现象：π0.5 在仿真里不是第一，真机里却是第一。

这说明仿真榜单的领先位置不等于真实部署能力。真机引入了一堆仿真里看不到的变量——相机噪声、标定误差、机械臂延迟、接触瞬间把目标推偏、物体初始位置微小偏差。demo 视频能糊弄过去，标准化评测糊弄不过去（RoboDojo 论文）。

这件事对行业的影响比数字本身大。过去一年，"仿真跑分 + 几个真机 demo" 是行业标准动作。RoboDojo 把这种组合拳的可信度打掉了——你必须真机榜单也能打，才能算真本事。

真相三：开放语义任务 1.67%，听懂人话是集体塌方区

最刺眼的是开放语义维度的数据：最强模型成功率只有 1.67%。

这意味着，当用户说出"把那个红色杯子放到左边第二格"这种带方位、带属性、带组合的自然指令时，今天最强的通用机器人策略里，100 次尝试只有不到 2 次能稳定做对。

这一条直接打掉了"机器人能听懂人话"这个宣传口径。听懂和听懂后稳定执行，是两个完全不同的能力。前者靠大模型的语义能力，今天所有头部策略都接了 LLM，没问题；后者靠视觉定位、技能选择、动作执行整条链路的稳定性——这是具身智能特有的工程难题，跟大模型强不强没有直接关系（量子位转 RoboDojo 论文）。

---

为什么这件事重要

RoboDojo 的发布时机很微妙。

2026 上半年，具身智能行业最热的两个叙事是"人形机器人订单破万"和"世界模型实时推理 50FPS"。这两个叙事都没有错，但它们都绕开了"通用任务稳定执行"这个真正卡脖子的指标。

订单破万说明商业化在推进，50FPS 说明实时性没问题。但商业化和实时性都没回答一个问题：机器人到底能不能稳定完成用户给它的任务？

RoboDojo 把这个问题摆到桌面上，而且给了一个非常冷静的回答——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（量子位转 RoboDojo 论文）。

对不同人来说，这意味着不同的事：

• 对学术研究者：榜单就是新的努力方向。开放语义 1.67% 这块处女地，谁先啃下来谁就是新里程碑。
• 对厂商：再继续靠 demo 视频讲故事的窗口期基本结束了。下一个阶段的融资故事必须包含"我们在 RoboDojo 真机榜排第几"。
• 对投资人：要看的不再是订单数和团队背景，而是真机评测里能不能进头部梯队。仿真分数不再值钱。

---

这座珠峰怎么爬

RoboDojo 团队后续会扩展到灵巧操作、移动操作、触觉操作、人型全身操作（量子位 / 论文结尾）。这张试卷只会越来越难。

接下来一年里，三件事会重新排座次：

1. 谁能进 RoboDojo 真机榜前三——这是新的"通用机器人能力认证"，相当于 LLM 圈的 MMLU。
2. 谁能把开放语义任务从 1.67% 抬到两位数——这是用户能感知到的"机器人听不听话"的关键拐点。
3. 谁能用 XPolicyLab 这套基础设施做出新模型——靠统一的接入层，迭代速度会比别人快一个量级。

明年这时候回看，2026 年下半年的具身赛道会按这三件事重新排座次。其它都是噪音。

demo 视频时代结束了。标准化赛道刚刚开始。