资本持续加码具身智能赛道，各类评测榜单层出不穷，“行业第一” 成为各家企业宣传标配，但榜单背后的真实性、公允度饱受行业质疑，刷题、话术包装、商务资源置换等操作，让榜单失去客观参考价值。今年 6 月初，千寻智能 Spirit v1.6 凭借 1918 分登顶 RoboArena 榜单，一度超越英伟达 Cosmos3，企业同步官宣近 50 亿元密集融资，引发行业热议。但大量业内观测者提出质疑，该模型 310 条评测记录中 72% 评分来自两家单一账号，存在集中刷分嫌疑。后续 RoboArena 官方回溯核查，移除存疑数据并更新榜单，Spirit v1.6 直接从榜单除名，该事件也揭开了具身榜单行业乱象的一角。

　　即便出现典型刷榜案例，行业企业争抢榜单名次的热度并未降温。近半年星动纪元、原力灵机、智元、跨维等多家头部厂商，均对外发布自身拿下榜单第一的宣传物料，且各家 “第一” 分属不同评测赛道。当前行业技术路线尚未统一，真机作业普遍成功率仅五成左右，外部投资、产业机构缺少直观技术评判依据，只能依靠榜单作为参考标尺；但榜单发布主体混杂，高校学术基准、媒体商业榜单、咨询产业榜单并行，评测标准不统一，部分榜单绑定商务合作，参考价值大打折扣。多位赛道投资人表示，榜单仅能作为辅助参考，国资、地方引导基金更看重榜单头衔用于书面报告，市场化投资机构则不会仅凭排名判断企业技术实力；也有投资人认为，在信息高度不对称的早期行业，榜单仍可提供横向对比基础。

　　目前市面活跃的具身智能评测榜单超 20 个，按评测维度分为三类，三类榜单定位互不替代，不存在统一全能评测标准。第一类为 VLA 操作综合榜，以 RoboChallenge Table30、MolmoSpaces 为代表，侧重机器人真实任务实操成功率；第二类是世界模型推演榜单，World Arena、WorldModelBench 为主，考核模型对物理世界的预判推演能力，不考核硬件执行水平；第三类专项基准榜，包含 RoboTwin 2.0、LIBERO、CALVIN 等，针对双臂协同、虚实迁移等极限场景，暴露模型细分短板。

　　榜单赛道拆分带来宣传漏洞，同一份榜单内多条子赛道会诞生多个 “第一”，对外宣传时常省略细分赛道限定词。World Arena 榜单中，智元 GE-Sim 2.0 拿下感知动作赛道第一，跨维 DSCFuncWorld 登顶数据引擎赛道，两家企业对外均简化表述为 “登顶 World Arena”，普通受众难以分辨赛道差异。同时行业榜首更迭速度远超大语言模型榜单，RoboChallenge Table30 半年内四次更换榜首，主流大模型榜单榜首通常可稳定数月。业内从业者解释，物理真机测试存在天然随机性，光照、机械公差、物体摆放都会造成 3 至 5 个百分点分数浮动；且多数榜单测试任务完全公开，企业可定向采集对应数据微调模型，榜单榜首 “保质期” 仅一周左右。更有企业将真机学术榜单与媒体商业榜单合并宣传，刻意抹平两者含金量差距，误导外界认知。

　　行业内已形成一套成熟的 “造第一” 潜规则，主要分为三种操作手段，且经常叠加使用。第一种是低成本话术包装，只截取细分赛道单项名次，删减限定条件对外宣传，数据本身无造假，但刻意放大排名覆盖范围；第二种是定向刷题与机制漏洞刷分，一方面企业针对公开榜单任务定向训练模型，另一方面利用分布式评测平台规则漏洞，多账号集中评测抬高自身分数、压低竞品数据，千寻 Spirit v1.6 事件便是典型，后续平台补充第三方评测、可疑账号筛查规则填补漏洞；第三种是隐蔽的资源置换，媒体、咨询类榜单可通过商务合作调整排名，与学术基准榜单捆绑宣传，混淆榜单公信力。这类操作门槛隐蔽，缺少专业技术储备的从业者很难识别。

　　业内多数从业者已不再单纯依靠榜单评判模型实力，核心原因是榜单可人为干预，且物理世界不存在统一量化标尺，如同擅长炒菜与擅长凉拌的机器人无法简单对比优劣。但榜单仍具备基础参考价值，具备三类特征的榜单可信度更高：一是分项数据完整披露，不单一公布总分，清晰展示各细分任务完成情况；二是由独立第三方全程管控评测流程，设置光照突变、杂物干扰等反刷题扰动条件，禁止模型定向微调；三是区分榜单更新逻辑，真机长周期评测榜单更新慢、动态对战类榜单更新快，不能单纯以更新频率判断含金量。

　　行业扎堆刷榜本质是资本周期下的短期营销行为，现阶段具身智能企业缺少稳定营收、批量交付订单等硬核经营指标，只能依靠榜单头衔提升估值、获取产业资源。长期来看，随着行业成熟，市场评判标准会切换至整机交付量、落地客户、持续盈利等实体经营指标，榜单热度自然回落。相比热衷刷榜造势的企业，深耕产线落地、持续积累真实场景数据的厂商，更具备长期产业竞争力。