"拿下具身世界模型第一"" 登顶具身智能榜单 ""具身大模型登顶国际评测公开排行榜"—— 搜索近期的具身大模型新闻，满屏的 "第一" 和 "登顶" 跃入眼帘。8 月 11 日，越疆科技宣布其空弈 DobotWAM 具身大模型在面向复杂遮挡机器人抓取的 UNOBench Challenge 两大赛道同时登顶；不到半个月前，智元的具身原生全模态大模型 WITA-Omni Preview 在 DailyOmni 榜单上登上榜首。拉长时间轴，极佳视界的 GigaWorld-1、中科第五纪的 FlowWAM、千寻智能的 Spirit v1.6 相继在 WorldArena、RoboArena 等榜单中宣称全球第一。在这个资本最密集的赛道，榜单似乎已经变得不够用了。

　　当几乎所有头部公司都手握至少一个 "第一" 时，这些榜单究竟在衡量什么？记者调研发现，当前具身大模型榜单数量已超 20 个，发起方涵盖清华大学、北京大学、普林斯顿大学、斯坦福大学等顶尖高校，美国艾伦 AI 研究院、上海 AI 实验室等研究机构，以及英伟达等企业，但业内公认的权威标准尚未形成。安邦智库宏观经济研究中心助理研究员赵至江指出，具身智能正处于技术探索与产业验证的早期阶段，技术路线尚未完全收敛，统一的行业评价标准难以形成；与此同时，资本市场对具身智能保持高度关注，企业需要通过测试成绩、演示视频和技术指标证明自身领先优势，客观上推动了部分指标包装和营销放大现象。

　　要理解榜单的含金量差异，首先需要厘清具身大模型与通用大模型评测的本质区别。近一两年来，随着供应链成熟，造一台机器人已非难事，行业竞争从 "拼本体" 转向 "拼大脑"，而这个 "大脑" 就是具身大模型。通用大模型领域指标清晰、评测成熟，已形成若干公认权威榜单；但具身大模型高度依赖配套的机器人本体、执行器与仿真环境，分数无法脱离硬件单独成立。天使投资人、资深人工智能专家郭涛表示，厂商可以通过调整机械参数、优化仿真环境定向提分，纯技术参考价值弱于通用大模型榜单。

　　从评测环境来看，当前榜单主要分为仿真任务榜单与真机测试榜单。中国社会科学院大学数字中国研究院特聘研究员刘兴亮介绍，仿真任务榜单数量最多，如 LIBERO、RoboTwin、ManiSkill 等，它们标准化、低成本、容易复现，特别适合算法横向比较；而真机评测需要匹配硬件和场地，耗时长、成本高，因此真机测试榜单十分稀缺。一名业内人士坦言，不同于通用大模型以数字形式输入输出、可线上进行，具身大模型真机评测的门槛要高得多。从考察能力范围来看，榜单又可分为综合能力榜单和专项能力榜单，前者如同对模型能力的 "全面体检"，后者侧重特定能力或极端场景表现。当榜单足够多、赛道足够细分，企业总能找到某个维度让模型登顶。

　　那么，一个榜单究竟有没有含金量？刘兴亮提出了四个判断标准：题目是否公开透明，测试集是否与训练集隔离，结果能否被第三方复现，能否经过真实世界的验证。然而在现实中，这些标准往往难以全部满足。更尴尬的是，仿真环境中的 "学霸" 到了真实世界，往往变成 "学渣"——"榜单上的高手，实践中的矮子" 已成为行业普遍现象。

　　造成这一鸿沟的原因是多方面的。郭涛指出，许多榜单测试场景单一、任务边界固定，无法覆盖工业、家庭等多元化真实工况，一家公司在某个榜单得分高，可能只是在该特定任务上表现优异，而非整体技术实力领先。更关键的是，大多数榜单基于仿真环境，与真机实测存在不可忽视的差距。"在仿真环境里，光照可以标准化，摩擦系数可以设定，摄像机不会突然被人挡住。但进入工厂、商场和家庭以后，桌子可能挪了两厘米，袋子会变形，玻璃会反光，人可能突然伸手过来，网络还可能延迟。" 刘兴亮说，机器人面对的是一个开放、不确定且持续变化的物理世界，仿真测试结果更多是一种理想状态。以被誉为具身智能领域 "珠峰级" 评测的 RoboDojo 为例，该榜单采取 "仿真 + 真机" 双榜单机制，设计了 42 个仿真任务和 18 个真实机器人任务，真实世界部分表现最好的模型总体成功率仅为 12.8%，折射出机器人落地的巨大鸿沟。

　　此外，部分企业存在定向 "刷榜" 行为，人为抬高分数。郭涛透露，有的针对仿真榜单进行 "题库式刷分"，提前获取测试任务样本，针对固定物体、固定动作场景专项微调模型权重，刻意降低陌生场景权重分配；有的针对真机榜单进行硬件调优，锁定专用测试样机，调试关节阻尼、运动速度适配榜单任务，规避通用工况的严苛约束；个别厂商还可能利用自己注册的评测账号不断测试、刷新评分。这些行为进一步稀释了榜单的参考价值。

　　破解榜单的 "虚假繁荣"，关键不是取消榜单，而是把考试从 "做题" 变成 "实战"。刘兴亮认为，具身大模型榜单需从三方面改进：一是评测标准要统一，现有评测在环境设置、硬件配置、测试条件等方面差异较大，不同模型间很难公平对比，唯有制定更统一的标准，才能提高结果的可复现性；二是引入盲测，测试任务不能全部提前公开，最终排名应由隐藏测试集、陌生物体、陌生场景决定，以此防 "刷榜"、真正测试泛化能力；三是将仿真测试与真机测试结合起来，验证机器人在物理世界的可靠性。目前一些榜单比赛已开始采用 "仿真初赛 + 真机决赛" 的形式，正是这一方向的探索。

　　从更长远的视角看，评价体系的演进与产业发展阶段密切相关。赵至江表示，目前具身智能还处于发展早期，评价更多围绕单项能力、实验性能、技术参数展开，目的在于证明技术路线是否成立；随着产业进入应用阶段，评价体系会逐渐转向综合能力，由技术展示驱动转向产业价值驱动。"一个成熟的产业，通常不会依赖技术性的榜单作为评价标准，而是形成由行业标准、第三方测试和市场反馈共同构成的评价体系。" 赵至江判断，具身智能距离这一阶段还有较长过程，三到五年甚至更长时间都有可能。在这场 "榜单狂欢" 背后，真正值得追问的或许不是谁拿了多少个第一，而是谁的机器人能在真实世界里站稳脚跟。