主题
能力评测
分清完整成功、部分进展、跟踪与吞吐；同协议才可比较能力。
Jason · 更新 2026-10-10 · 持续维护
能力评测回答在什么任务、条件与人工预算下，机器人完成了什么。先固定模型/本体、训练测试划分、尝试次数、时限、重置和接管，再讨论泛化或排名。
当前判断 · 2026-10-10 核查
WALL-WM v2 的真机进展分和 RoboTwin 76/500 二值成功是两种任务/指标。RLinf-VLA 真机关抽屉两组均 8/10，不能把训练效率提升写成成功率增长。依据与边界 · 依据与边界
SONIC 分别报告参考动作与自主任务；Table 1 的五任务均值先合并两个 pickup 变体，不是六行直接平均。依据与边界
RoboChallenge 提供外部真机协议，但进展分还含重试扣分，且用户端模型身份难以核验；服务商评测不是无条件中立认证。依据与边界
跨论文协议不同就不排名。成功率从 9% 到 42% 是 +33 个百分点，相对增益应另算；小样本结果保留计数，不由单次演示推断稳定性。运行边界见 系统评测。
证据补充 · 2026-10-10
Behavior-Skill v1 与 REBOOT v1 将可恢复中间状态、阶段和失败恢复纳入技能评测；局部技能分数仍须回到完整任务验收。SoftVTBench v1 的 DSR 同时要求任务成功与形变不超标，物理真值来自仿真 FEM，不是真机测量。
基准缺陷审计 v1 在七个基准定位 22 个实现问题和 4 类设计限制，部分修复改变排名。比较必须保留成功检查器、初始化、随机性和附录列明的实现版本；不能把该审计外推为所有基准均失效。
历史观察
按发布时点排列，反映本站已收录范围，不代表完整研究时间线。
- 从 12 条到 200 条示范：ACT、Diffusion Policy、SmolVLA 与 π0.5 在低成本机械臂上的扩展表现
给机器人本体软件工程师几条可直接用的判据：示范只有几十条时优先微调预训练策略，且要训练动作专家而不是 LoRA；数据上百条时把从零训练的 ACT 当基线再决定要不要上大模型；遥操作演示开头若有一段静止，务必剪掉再训；评测时记住同一权重重复测十回合平均会差 2.0 次成功，别用十回合给两个模型下结论。
- H2RBench：评估人类到机器人迁移的实到仿真基准
对机器人本体软件开发者，这是一套把“哪种人机迁移方法、人类视频给多少”放进同一套可重复仿真实验的协议，也提示了一份“哪些行为能迁移、哪些不能”的清单——人类视频主要改善高层空间意图类行为，接触密集的插入等任务甚至会变差；不同方法随人类数据量变化的曲线差异又说明，加数据的收益强烈依赖任务结构和该方法跨越形态差异的策略。
- WorldFailBench：世界模型理解策略失败了吗？
给策略评估与部署工程的用处很直接：想在真机回归测试之前用世界模型筛策略，可以先用这三类任务检查"生成的失败诊断是否可信"，把"成功率一致"和"失败诊断一致"分成两件事。论文给出的证据是七个世界模型在失败类型、失败阶段、失败边界三关上都明显落后于参考环境重复跑的水平，所以生成轨迹里的失败分布不能直接当作策略短板的证据；作者也指出，这类预测在用于指导进一步测试前仍需在参考环境中复核。代码与数据集由作者公开（GitHub 仓库与 Hugging Face 数据集），可自行复跑；但本次材料只有该 arXiv v1 预印本本身，结论应视为作者自述结果。
- 探测视觉语言模型的"碰撞接地"能力：TouchSafeBench 基准显示机器人撞场景比撞人更难被识别
对做机器人本体软件与部署的人，最可用的结论有三条。其一，VLM 的短板不在"看不清"而在"绑不准"，输入侧需要补上以机器人本体为中心的几何线索，例如本体坐标系标记、标定的相机到本体变换、机器人足迹叠加。其二，"识别当前是否接触"与"预警即将接触"要用不同的输入组合：俯视轨迹图压误报但会让当前接触识别变差，最好的预警分又来自彩色化深度的单视角输入，因此评测与调参必须按任务分开做。其三，误报与漏报要分开看，一个"从不报警"的监控器在这个基准上并不更安全——带机器人预训练的模型误报更低，却并没有更高的综合 F1。以上均为作者论文的评测结论与设计建议，材料中未见第三方独立复现，也不代表真实产品中的部署效果。
- ArtifactArena：用模型在物理世界里造出来的东西来评价模型
对做机器人本体软件的人，这是一条"模型造机器人 → 仿真对战 → 排名"的完整回路：模型交出的不是一段说明，而是一份能编译的 MJCF 结构和一段能运行的 Python 控制器，胜负由两台机器人的物理接触算出来，所以改外形、配重或策略会直接改写战绩，这与本体软件里做形态—控制取舍时的反馈回路是对应的，只不过这里的裁判是仿真物理。DLH 那种把模拟器源码、校验器和 shell 一起丢进沙箱让模型自己跑的做法，也对应大家熟悉的"跑仿真回归、让代理改控制器"的用法。评测与选型的人则可以把它当成问答榜单之外的一类观察点，但要注意分数只在 MuJoCo 这一套规则和对手集合里成立。产物与成绩全部出自论文作者自建的仿真竞技场，本文材料中没有第三方复现，应先按作者自报结果看待。
- 苦涩的教训可能正走向机器人：9 个前沿模型在真机上操控机械臂的系统评测
对做机器人本体软件和具身策略接入的工程师，这篇评测把「大模型能操作真机」换成了可对照的工程量纲：同一台真机、同一套动作接口下的得分、每个子任务的耗时与 API 花费。40 步动作预算下最强模型也只有 45%–48% 的部分完成度，接入流程不能按「一条指令完成搬运」来设计；速度与成本明显反向取舍，选型要按自身节拍和预算匹配，而不是只挑分数最高的模型。弱模型把动作预算浪费在空夹和反复找位置上（Opus 5 平均要 6.7 个动作才把夹爪移到正确位置），提示动作接口设计、失败恢复与抓取自检逻辑可能比换模型更值得先做——这是本篇报道的工程推论，不是论文结论。文中「苦涩的教训」是作者的趋势外推，不是已验证的落地效果。
- 弗雷歇强制：用短片段训练长时域流式世界模型
对动作条件视频模拟器开发者，这提供了一条保留现有架构和采样器、通过短片段微调抑制长程视觉漂移的路线，而非新增机器人控制策略。
- ICAT：基于事故案例的具身世界模型物理风险预测自适应测试
对将生成视频接入机器人规划或策略学习的团队，ICAT提供了分开检查“场景是否保留、动作是否完成、危险后果是否出现”的诊断思路，而非只凭视频看起来合理判断可靠性。论文未测量遗漏后果对下游决策的实际影响。
展开其余 15 条历史观察
