当前，具身智能正迎来爆发式增长，各种模型层出不穷。但一个尴尬的现实是：大家都在秀 "高光时刻"，却没人知道哪个模型真正可靠，短板又藏在哪儿。简单来说，这个领域缺一把统一的 "尺子"。一个名为 RoboColiseum 的仿真评测平台日前正式向全球开放 ——Coliseum 原指古罗马圆形竞技场，它构建多维度的系统评测体系，以与真机表现高度一致的仿真评测，给具身智能模型搭建一个公开、中立、可复现的 "竞技场" 和 "训练场"。任何高校、研究机构或企业开发者，都可以把自己的模型提交上去，接受一套标准化 "考试"。该平台由 Hugging Face、英伟达、清华大学等联合共建，自展开内测以来，已有海内外 40 多支队伍在平台开展模型训练与评测。

　　模型在仿真环境中的优异表现，能否延续到真实物理世界？进入现实场景后，光照、材质、相机噪声、物体接触以及机器人初始位置和姿态的变化，都可能导致模型性能下降，因此如何通过仿真评测准确衡量模型的真实能力，始终是一个关键难题。RoboColiseum 基于高保真仿真环境构建，在环境渲染和物理交互方面高度还原真实世界。经实测验证，平台仿真评测与实机部署的相关性达到 89.5%，相同模型在仿真环境与真实世界中的评测差异小于 10%。仿真评测由此可以作为真机表现的可靠参考，帮助开发者在进入成本更高、周期更长的真机测试前，快速完成模型筛选与问题定位。更重要的是，这一验证链路是双向的：使用真机数据训练的模型可以直接提交仿真评测，仿真数据训练的模型也能够通过真实机器人验证迁移效果。虚拟环境与真实世界由此实现双向打通，让开发者能够以更低成本获得高置信度结论，显著缩短 "训练 — 评测 — 改进 — 部署" 的迭代周期。

　　传统评测往往用一套综合成功率概括模型表现，RoboColiseum 则围绕不同能力维度设置多个任务集，考察模型在各个维度中的表现。目前平台已推出 4 类能力子榜、78 个高保真仿真评测任务，未来还会结合产学研需求持续更新。指令跟随子榜考察模型能否理解颜色、数量、形状、尺寸、类别、逻辑与常识等自然语言信息，找对目标并执行正确动作；空间理解子榜检验模型对绝对位置、相对关系、尺寸与序号排序、堆叠和空间对齐等信息的理解能力；扰动适应子榜通过改变背景、光照、材质、机器人初始状态、相机位置与图像质量，并对指令进行多样化改写，检验模型在非理想环境中的稳定性与泛化能力；通用操作子榜则覆盖开门、倾倒、舀取、上货、分拣、整理桌面和双臂协作等多步骤任务，衡量模型组合运用原子操作技能的能力。为了让失败原因可追溯，每项任务都会被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，也会记录模型完成了哪些步骤、在哪一步失败以及在不同场景中的泛化能力。

　　在评测设计上，RoboColiseum 通过大规模、多样化样本降低单次测试的偶然性，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" 刷分的可能，提高评测结果的稳定性。这一设计直指当前具身评测领域的痛点 —— 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，而隐藏测试集、陌生物体和陌生场景才是真正检验泛化能力的试金石。

　　对于开发者而言，高质量评测往往伴随着复杂的环境配置、资产适配和算力成本，搭建完整评测链路耗时耗力。RoboColiseum 将这些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，一键部署模型，最快 30 分钟即可完成仿真评测，平台将自动返回分项成绩、任务步骤结果及模型推演视频，直观呈现机器人在每个任务中的执行过程。借助 AI Agent，开发者还可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。值得注意的是，模型代码和权重无需上传，只需在本地部署推理服务并接入标准接口，即可连接平台开展评测 —— 这一设计既保护了开发者的知识产权，也降低了参与门槛。

　　目前，RoboColiseum 已提供 ACoT-VLA、π0、π0.5、GR00T 等国际具身基座模型的基线成绩，开发者提交自己的模型后，即可在四个维度上与主流模型进行逐项比较，快速判断自身优势与不足。同时，平台提供各基线模型在任务上的训练代码及对应权重，开发者可自行复现训练与评测过程、核验基线成绩，并在统一条件下开展模型对比与后续研究。从 "各说各话" 的高光演示，到统一标尺下的能力对标，RoboColiseum 所代表的不仅是一个评测工具的上线，更是具身智能行业从 "比谁更酷" 走向 "比谁更稳" 的基础设施拼图 —— 当模型的真实能力可以被公开、中立、可复现地衡量，资本和产业才能把钱投给真正干活的机器人，而非 PPT 里的数字游戏。