当前，具身智能行业正处于模型架构与核心算法快速演进的关键阶段。但在模型数量持续增长的同时，“评测标准缺失”这一痛点也愈发明显：行业亟需统一、可复现、并能真实反映模型能力的评测基准，否则开发者很难准确判断具身模型的真实上限、能力边界与实际短板。

针对这一行业普遍存在的问题，8 月 14 日，常态化具身智能仿真评测平台 RoboColiseum 正式发布。该平台致力于构建多维度、系统化的具身智能评测体系，通过与真机表现高度一致的仿真评测，帮助开发者更清晰地识别模型优势与不足，并持续完成模型优化迭代。平台面向全球高校、科研机构、模型企业及研究人员开放，实时更新评测结果，目标是打造一套结果可信、流程可复现的具身模型评测标尺。

RoboColiseum 自内测上线以来，已经吸引海内外 40 余支队伍在平台上开展模型训练与评测工作。

仿真评测平台：http://robocoliseum.ai/

聚焦 Sim2Real 瓶颈

建立高保真仿真与实机对齐

模型在仿真环境中表现优异，是否也能稳定迁移到真实物理世界？进入真实场景后，光照变化、材质差异、相机噪声、物体接触状态，以及机器人初始位置和姿态的偏移，都可能造成模型性能下滑。因此，如何借助仿真评测准确衡量模型在真实世界中的实际能力，依然是具身智能评测中的核心挑战。

RoboColiseum 建立在高保真仿真环境基础之上，在环境渲染效果与物理交互机制方面对真实世界进行了高度还原。根据实测结果，仿真评测与实机部署之间的相关性达到89.5%，同一模型在仿真环境与真实世界中的评测差异控制在10%以内。这意味着，仿真评测能够作为真机表现的重要可靠参考，帮助开发者在进入成本更高、周期更长的实机测试前，更高效地完成模型筛选、问题定位与性能分析。

这一验证链路具备双向贯通特性：基于真机数据训练得到的模型，可以直接提交至仿真环境进行评测；依托仿真数据训练的模型，也能够通过真实机器人进一步验证其迁移效果。通过这种方式，虚拟环境与真实世界实现了双向打通，开发者因此可以在更低成本的前提下获得高置信度结论，并显著缩短“训练 — 评测 — 改进 — 部署”的模型迭代周期。

仿真环境高度还原真实世界

Sim2Real 实验对比

告别单一成功率指标

构建四维细粒度归因体系

传统模型评测通常使用一套综合成功率来概括整体表现，而 RoboColiseum 则围绕不同能力维度设计多个任务集，系统考察模型在各项核心能力上的具体表现。目前，平台已上线 4 类能力子榜和 78 个高保真仿真评测任务。未来还将结合产学研多方需求，持续扩展任务类型与评测维度。

4 类能力子榜：

指令跟随（Instruction Following），主要考察模型是否能够理解颜色、数量、形状、尺寸、类别、逻辑关系与常识等自然语言信息，准确找到目标并执行正确动作。空间理解（Spatial Reasoning），重点检验模型对绝对位置、相对关系、尺寸与序号排序、堆叠以及空间对齐等信息的理解能力。扰动适应（Robustness），通过改变背景、光照、材质、机器人初始状态、相机位置和图像质量，并对指令进行多样化改写，检验模型在复杂、非理想环境下的稳定性与泛化能力。通用操作（General Manipulation），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，用于衡量模型组合调用原子操作技能的综合能力。

为了让任务失败原因更容易追溯，每项评测任务都会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，还会记录模型完成了哪些步骤、在哪一步出现失败，以及其在不同场景下的泛化表现。

在评测设计上，RoboColiseum 通过大规模、多样化样本降低单次测试带来的偶然性，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，从而提升评测结果的稳定性、客观性与参考价值。

四维评测体系

AI agent 一键提交

30 分钟获得评测结果

对于开发者来说，高质量模型评测往往意味着复杂的环境配置、资产适配以及较高的算力成本，搭建完整评测链路通常既耗时又耗力。

RoboColiseum 将上述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，一键即可部署模型，最快 30 分钟便可完成仿真评测。平台会自动返回分项成绩、任务步骤结果以及模型推演视频，直观展示机器人在每个评测任务中的执行过程。

借助 AI Agent，开发者还可以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。模型代码与权重无需上传，只需在本地部署推理服务并接入标准接口，即可连接平台开展具身智能模型评测。

5 分钟提交注册，30 分钟获得评测结果

引入主流模型基线

开发者可自行复现

RoboColiseum 已提供 ACoT-VLA、π0、π0.5、GR00T 等国际主流具身基座模型的基线成绩。开发者提交自己的模型后，即可在四个能力维度上与主流模型逐项对比，快速判断自身模型的优势、差距与优化方向。

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，开发者可以自行复现训练与评测流程，核验基线成绩，并在统一标准与一致条件下开展模型对比和后续研究。

RoboColiseum 的名字从何而来？

Coliseum 原指古罗马圆形竞技场，一个公开、中立、任何人都可以登台参与的竞技场。RoboColiseum 既是具身模型同场比较的“竞技场”，也是开发者反复测试、定位问题、发现短板并持续迭代优化的“训练场”。

平台的长期目标，是将真实世界中的复杂任务转化为标准化、可复现、可持续更新的评测体系，让评测真正成为具身模型研发流程中的基础设施和核心工具。

当模型能够在同一套评测标准、同一把尺子下被比较、验证与改进，具身智能的发展也将从精心挑选的成功演示，逐步走向更加可靠、透明、可验证的真实进步。平台也期待更多开发者开放模型，共同建设具身智能生态。

RoboColiseum 现已正式开放，欢迎全球开发者入场！