通用机器人，离我们还有多远？

过去一年，VLA（视觉-语言-动作模型）、机器人基础模型、世界模型，这些关键词在具身智能领域内几乎轮番成为热点。各种演示视频让人应接不暇：机器人叠碗、插管、倒水、整理桌面，看起来它们正从“听懂指令”稳步迈向“动手执行任务”。

然而，一个更为核心的问题始终悬而未决：这些模型的实际能力究竟强在哪里？它们是仅在仿真环境中表现亮眼，还是在真实世界中也能稳定运行？它们能完成单个动作，还是能把一整套流程顺畅地执行到底？

曾推出RoboTwin系列基准的团队，近日发布了RoboDojo——一套致力于统一覆盖仿真与真实机器人操作的具身智能评测体系。该体系包含42个仿真任务、18个真实机器人任务，并将30个具有代表性的机器人策略置于同一标准下进行横向比较。

评测结果颇具启示：在仿真环境中，当前表现最佳的通用机器人策略，平均成功率仅为8.80%；而迁移到真实世界后，头部模型的平均成功率也只有12.8%。作为对照，人类专家在仿真中的成功率为76.03%，在真实世界里更是直接达到了100%。

这说明了什么？很简单，当前的机器人基础模型确实在进步，但要达到“可靠”与“可复现”这两个通用操作的关键要求，仍有相当长的路要走。

论文标题：RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies

RoboDojo 项目介绍视频。

RoboDojo：为具身智能打造一套“综合能力考核”

RoboDojo的核心思路，与其说是堆砌任务数量，不如说是拆解一个更本质的问题：机器人操作到底需要哪些核心能力？

他们将这个问题分解为五个维度，更贴近真实场景的挑战：

• 泛化能力：模型能否适应新背景、新光照、新物体和杂乱场景？
• 记忆能力：模型能否记住之前看到的信息，并在后续动作中加以运用？
• 精细操作能力：模型能否完成插入、对齐、接触等高精度动作？
• 长程执行能力：模型能否连续完成多个相互依赖的步骤？
• 开放语义理解能力：模型能否理解从未见过的语言指令，并将其转化为相应动作？

这些任务，远非传统pick-and-place的简单变体。在泛化任务中，桌面杂物数量、物体外观、背景与光照都会发生变化；记忆任务里，机器人需要记住传送带上曾出现又消失的目标；长程任务中，拿起、移动、对齐、放置，任何一个步骤出错，都可能导致最终失败。

RoboDojo 仿真任务总览

这也是具身智能与纯视觉、纯语言任务的一个主要区别：在物理世界中，微小的误差也可能导致任务失败。

从仿真到真机，评测的终极考验

RoboDojo并未停留在仿真环境中自我验证。团队设计了18个真实世界任务，覆盖ARX X5、Piper、Piper X三种双臂机器人平台，每个平台各承担6个任务。从制作食物、插管、插充电器，到叠碗、挂杯子、清扫积木，再到给物体分类、把物品装进背包，这些任务听起来日常，但对机器人而言，挑战性十足。

RoboDojo Real-World Benchmark：18 个任务覆盖 3 种机器人平台

真实机器人操作任务示例

真实世界会引入一系列仿真中不存在的“意外”：相机噪声、标定误差、机械臂延迟、夹爪打滑、接触不稳定、物体初始位置偏差等等。一个在仿真中表现稳定的策略，迁移到真机后，性能下降几乎是必然的。

为了提升真机评测的可比性和可复现性，RoboDojo-RealEval做了大量标准化工作：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。每个trial都由评审双盲打分，既看最终结果，也看中间步骤的完成情况。

RoboDojo-RealEval 标准化评测平台

这使得它更接近一套标准化的评测流程，而不仅仅是某个科研团队的个例展示。

榜单结果：头部模型与人类专家，差距依然显著

在仿真榜单中，团队评测了30个具有代表性的机器人操作策略，包括Hy-Embodied-0.5-VLA、Spatial Forcing、π0.5、X-VLA、GR00T-N1.7、π0、OpenVLA-OFT等。

排名第一的是Hy-Embodied-0.5-VLA，平均成功率为8.80%。虽然领先其他模型，但与人类专家76.03%的仿真成功率相比，差距依然巨大。

仿真榜单：Hy-Embodied-0.5-VLA 暂列第一，平均成功率 8.80%

真实世界榜单中，π0.5排名靠前，总体成功率为12.8%，平均分为22.9。InternVLA-A1、GalaxeaVLA、Xiaomi-Robotics-0、X-VLA等模型也进入头部区间，但整体成功率依然处于较低水平。

真实世界榜单：π0.5 暂列第一，总体成功率 12.8%

特别值得关注的是开放语义任务上的结果：当前表现最好的模型，在Open任务上的成功率仅有1.67%。

这些数据清晰地表明，当前机器人模型已具备一定的操作能力，但在稳定性和任务完整度上，仍有巨大的提升空间。它们往往能完成部分步骤，但在对齐、插入、放置、恢复等关键环节，还是容易出现失误。

RoboDojo 将排行榜可视化为一座“具身珠峰”

为什么单个demo，不足以反映通用能力？

RoboDojo的结果揭示了一个现实：机器人基础模型的能力增长并不均衡。有的模型视觉识别更强，有的动作执行更顺畅，有的在长程任务中能推进更多步骤。

而通用机器人，恰恰需要同时在多个维度上表现稳定——既要理解环境，也要记住关键信息；既要规划合理，也要执行准确；既要处理熟悉任务，也要理解开放指令；既要在仿真中跑通，也要在真实机械臂上稳定运行。

因此，单个任务、固定环境，或经过筛选的成功片段，往往不足以全面反映一个模型是否可靠、是否具备泛化能力、是否适合实际部署。RoboDojo的价值在于，它把这些差异放到同一张榜单中比较，让不同模型在记忆、泛化、动作精度、长程执行和真机迁移等维度上的表现，变得更加清晰可见。

不只是评测，也是基础设施

除了benchmark本身，RoboDojo还提供了两项关键基础设施。

首先是异构并行仿真。传统仿真并行往往复制同一场景，只改变初始状态；而RoboDojo支持不同任务、不同物体、不同布局同时运行，显著提升了评测效率。

其次是XPolicyLab，一个统一接入层，专门处理不同机器人策略之间的数据格式、预处理流程、训练脚本、动作表示和部署环境差异。不同模型只要接入统一的observation-action接口，就能在RoboDojo仿真环境和RoboDojo-RealEval真机平台上运行。

这让RoboDojo不只是一次性论文基准，而更像一个可持续更新的具身智能竞技场：模型可以持续上榜，任务可以继续扩展，真实机器人评测也可以远程接入。

RoboDojo 后续计划扩展至灵巧操作、人形全身操作、触觉操作和移动操作

具身智能，需要更统一的评测标准

过去，机器人领域的发展常常由demo推动。一个模型完成几个漂亮的任务，很容易让人产生“通用机器人即将成熟”的错觉。

RoboDojo的评测结果，则提供了一个更完整的参照系：当前模型确实在持续进步，但距离可靠、泛化、可部署的通用机器人操作，整体上仍有差距。

从研究角度看，这样的基准有助于把问题描述得更清楚。通用机器人，并不只是会抓取物体，或者只会执行一句指令，而是需要在复杂、变化、带噪声的真实环境中，把感知、记忆、规划、控制和纠错串联起来，形成稳定闭环。

RoboDojo提供了一套可重复使用的评测框架，为后续模型迭代和能力对比，提供了一个共同的参照。