終結(jié)機器人評測混戰(zhàn)時代，RoboChallenge帶來大規(guī)模真機測評基準(zhǔn)

當(dāng)前機器人行業(yè)呈現(xiàn)兩極分化態(tài)勢。一邊是競技賽事的火熱，如2025年世界人形機器人運動會吸引了全球16個國家280支隊伍參與，另一邊卻是現(xiàn)實核心技術(shù)仍然面臨瓶頸，某企業(yè)人形機器人因末端執(zhí)行器精度不足，導(dǎo)致工業(yè)場景中的精密作業(yè)效率甚至比不上人工。

這種理想與現(xiàn)實的落差，在資本層面表現(xiàn)得更為明顯。今年前七個月，具身智能與機器人領(lǐng)域融資金額已突破240億元，遠超去年全年總和。面對層出不窮的機器人公司和產(chǎn)品，投資者卻陷入困惑：如何判斷哪些企業(yè)真正掌握核心技術(shù)？哪些產(chǎn)品具備長期落地的潛力？

行業(yè)缺乏的，正是一個能夠客觀衡量機器人能力的標(biāo)尺。

對此，由Dexmal原力靈機聯(lián)合Huggingface共同發(fā)起的全球首個大規(guī)模真機基準(zhǔn)測試集RoboChallenge，為具身智能真機評測提供了有效標(biāo)準(zhǔn)。

那么，為什么具身智能行業(yè)急需一個統(tǒng)一測評標(biāo)準(zhǔn)？RoboChallenge真機基準(zhǔn)測試平臺又從哪些層面攻克了行業(yè)難點呢？

在算法和模型的世界里，基準(zhǔn)測試早已是推動進步的發(fā)動機。計算機視覺有ImageNet，自然語言處理有GLUE，每一項突破都以公開、可復(fù)現(xiàn)的排行榜為標(biāo)尺，激發(fā)了無數(shù)創(chuàng)新。而機器人領(lǐng)域長期沒有類似的標(biāo)準(zhǔn)體系。

對機器人能力的評估始終在兩個極端搖擺。

一端是那些刷屏社交網(wǎng)絡(luò)的機器人項目。無論是后空翻的人形機器人，還是展會現(xiàn)場表演泡咖啡，炫技式的展示雖然極易出圈，吸引大眾眼球，但更偏向于娛樂和營銷，無法反映機器人在通用、非結(jié)構(gòu)化環(huán)境中的真實能力。

另一端是實驗室測試。在科研領(lǐng)域，研究人員會在仿真環(huán)境或高度結(jié)構(gòu)化的物理環(huán)境中測試機器人的某項特定能力，例如物體抓取成功率、路徑規(guī)劃效率等。但這些演示無法代表現(xiàn)實世界的復(fù)雜與不確定，也無法讓投資者、同行或市場知道，它們之間到底差多少、強在哪。

缺乏基準(zhǔn)的后果，是整個行業(yè)信息失真。

投資角度，評估難。投資者缺乏有效的技術(shù)評估工具，往往只能依賴于光鮮的演示視頻和創(chuàng)始團隊的背景來做判斷，這可能導(dǎo)致擅長演示的團隊可能比技術(shù)扎實的團隊更容易獲得融資。

市場角度，劣幣驅(qū)逐良幣。當(dāng)演示效果重于實際效用時，企業(yè)的資源分配就會自然傾斜。本應(yīng)用于核心技術(shù)突破的研發(fā)精力，被迫分流到能夠快速制造傳播熱點的炫技功能上。

而沒有公認的基準(zhǔn)，技術(shù)就無法在同一維度上進行比較和衡量，也就難以形成清晰的技術(shù)演進路線圖。開發(fā)者們各自為戰(zhàn)，重復(fù)造輪子。某個團隊已經(jīng)解決的經(jīng)典問題，可能在另一個團隊那里仍是攔路虎；某個領(lǐng)域的突破性進展，往往難以被準(zhǔn)確識別并快速擴散到整個行業(yè)，整個行業(yè)的創(chuàng)新效率大打折扣。

投資者、消費市場、技術(shù)發(fā)展都呼喚著一個更加強有力的真機測量標(biāo)準(zhǔn)來提供統(tǒng)一基座，推動具身智能行業(yè)良性發(fā)展。

行業(yè)急需一套更全面、科學(xué)的具身智能真機測試標(biāo)準(zhǔn)。然而，要在真實環(huán)境中對機器人進行公平、可復(fù)現(xiàn)的評測，難度遠超想象。

當(dāng)前行業(yè)內(nèi)的測試體系普遍面臨著三大痛點：測試場景碎片化，各機構(gòu)使用的環(huán)境、任務(wù)千差萬別；評估標(biāo)準(zhǔn)不統(tǒng)一，導(dǎo)致結(jié)果缺乏可比性；評測方法不夠系統(tǒng)，難以全面反映機器人的真實能力水平。這些問題使得不同算法、不同硬件平臺的機器人表現(xiàn)如同使用不同尺子測量的身高：數(shù)據(jù)再多，也難以進行有意義的橫向比較。

正是在這樣的行業(yè)背景下，由Dexmal原力靈機團隊和HuggingFace推出的RoboChallenge直面挑戰(zhàn)，提出了全球首個大規(guī)模具身智能真機測評平臺，旨在通過科學(xué)評估體系為具身智能產(chǎn)業(yè)構(gòu)建一個開放、公正、可復(fù)現(xiàn)的真實考場。

RoboChallenge的第一個顛覆性創(chuàng)新，是規(guī)模化、穩(wěn)定地解決了公平性難題。

過去，機器人領(lǐng)域的基準(zhǔn)測試長期處于割裂狀態(tài)：學(xué)術(shù)界的實驗多局限于單一模型或固定環(huán)境，缺乏跨平臺可比性，而企業(yè)的內(nèi)部測試又往往自成體系，難以形成行業(yè)共識。

RoboChallenge則以大規(guī)模真機測試為核心，通過統(tǒng)一任務(wù)標(biāo)準(zhǔn)、統(tǒng)一評估指標(biāo)和跨模型對照機制，實現(xiàn)了真正的公平測評。

為精準(zhǔn)評估VLA算法核心能力，RoboChallenge首期采用配備夾爪的機械臂作為標(biāo)準(zhǔn)化平臺，其傳感方案同步輸出多視角RGB與對齊深度信息。系統(tǒng)集成了UR5、Franka Panda、COBOT Magic Aloha和ARX-5四類主流機型，支持7×24小時不間斷運行。通過這種方式，在完全相同的初始條件和任務(wù)下，不同算法的實力得以被客觀地量化與呈現(xiàn)。RoboChallenge首次在真實物理環(huán)境中，實現(xiàn)了對多種主流機器人平臺的多任務(wù)、跨模型測試。

RoboChallenge的另一大創(chuàng)新，是推出了遠程機器人評測模式。

通過自研的遠程推理系統(tǒng)，研究者即使不擁有實體機器人，也能在平臺上完成算法部署、任務(wù)執(zhí)行與結(jié)果驗證。

平臺采用無容器化設(shè)計，用戶通過標(biāo)準(zhǔn)化API可直接調(diào)用；RGB圖像等觀測數(shù)據(jù)均帶有毫秒級時間戳，便于多模型融合與復(fù)雜時間對齊；系統(tǒng)通過HTTP API實現(xiàn)異步處理，并提供實時隊列反饋。同時，智能作業(yè)調(diào)度模塊可實時查看任務(wù)狀態(tài)，支持模型多任務(wù)并行，大幅提升測試效率與系統(tǒng)穩(wěn)定性。

這種“在線真機評測”在保證高精度與可復(fù)現(xiàn)性的同時，大幅降低了科研與創(chuàng)新門檻。對學(xué)術(shù)界，它提供了開放、免費的實驗資源；對產(chǎn)業(yè)界，它搭建了公平、高效的驗證平臺。全球研究者得以在統(tǒng)一環(huán)境、標(biāo)準(zhǔn)化流程下參與測試，真正實現(xiàn)“沒有機器人，一樣做實驗”。

除了公平的測試基準(zhǔn)與遠程評測模式，一套科學(xué)、精細的評分體系同樣是衡量機器人能力的核心。

當(dāng)前行業(yè)內(nèi)的真機評測往往只包含3到5項任務(wù)，難以系統(tǒng)、全面地評估算法的綜合表現(xiàn)與泛化能力。而作為RoboChallenge推出的首套測試集，Table30以“科學(xué)分類學(xué)”為設(shè)計理念，從VLA、機器人類型、任務(wù)場景環(huán)境和目標(biāo)物體屬性等維度構(gòu)建了30個覆蓋多維度操作場景的桌面級任務(wù)。

評分機制上，Table30突破傳統(tǒng)二值化評估局限，引入更符合實際應(yīng)用需求的進度評分系統(tǒng)：對復(fù)雜任務(wù)認可分步進展，對簡單任務(wù)優(yōu)化完成效率。分揀、倒液體、開瓶蓋、疊放物體……這些看似簡單的任務(wù)，實則高度還原了人類日常生活中的細微操作需求。優(yōu)秀的模型不應(yīng)只在某些任務(wù)上表現(xiàn)出色，更應(yīng)在整個任務(wù)矩陣中展現(xiàn)出穩(wěn)健、全面的能力。通過這種精細化、系統(tǒng)化的設(shè)計，Table30 能夠清晰測出不同模型之間的代際差距，將算法差異量化、可視化，為技術(shù)演進提供了可靠的衡量依據(jù)。

官方學(xué)術(shù)論文《RoboChallenge: Real-robot based Large Scale Evaluation of Embodied Policies》則進一步證明了Table30基準(zhǔn)測試是有效且具有區(qū)分度的。研究顯示，在系列真實測試中，Pi05 模型在成功率和得分上均顯著領(lǐng)先，而多任務(wù)模型版本（/multi）普遍表現(xiàn)不如單任務(wù)版本。研究揭示，當(dāng)前不同VLA（視覺－語言－動作）模型之間存在顯著的性能差距，一個多指標(biāo)、公平且大規(guī)模的具身智能真機評測平臺是有意義的。

值得注意的是，訪問RoboChallenge官網(wǎng)，每個用戶都能看到RoboChallenge的評測任務(wù)列表。每個任務(wù)都包含任務(wù)名稱、狀態(tài)、提交次數(shù)、提交者、提交時間和得分等信息。用戶可以通過點擊任務(wù)名稱查看任務(wù)詳情，包括任務(wù)描述、評測指標(biāo)、提交記錄和模型表現(xiàn)等。此外，頁面還提供了篩選和排序功能，方便用戶查找感興趣的任務(wù)和評測結(jié)果。

可以說，RoboChallenge并非一場短暫的賽事，而是一項長期構(gòu)建的行業(yè)基礎(chǔ)工程。它致力于建立一套可持續(xù)演進的任務(wù)體系，持續(xù)吸納來自社區(qū)和產(chǎn)業(yè)界的新挑戰(zhàn)場景；它要形成一個公開、可信的排行榜，使所有參與者都能從中看到自己在真實世界的坐標(biāo)；它要積累起標(biāo)準(zhǔn)化的評測數(shù)據(jù)，為投資、科研、產(chǎn)品化提供決策依據(jù)。

而它的意義，遠不止于建立一套測試標(biāo)準(zhǔn)，更在于打造一把源自中國的標(biāo)尺，為整個具身智能行業(yè)的長遠發(fā)展，注入持續(xù)而深刻的動力。

每一項技術(shù)的成熟，都需要一把被全行業(yè)認可的公共標(biāo)尺。
從ImageNet到COCO，從GLUE到MMLU，這些基準(zhǔn)不僅塑造了技術(shù)發(fā)展的格局，也定義了產(chǎn)業(yè)迭代的節(jié)奏。

如今，RoboChallenge的問世讓具身智能也有了這樣的量尺：一個扎根現(xiàn)實、開放共建、可度量的真實舞臺。

更重要的是，這是一個向所有人開放的舞臺。

據(jù)悉，RoboChallenge堅持全面開放原則。平臺不僅向全球研究者免費提供測試服務(wù)，還公開所有任務(wù)的演示數(shù)據(jù)與測試中間結(jié)果，真正實現(xiàn)了可復(fù)現(xiàn)、可驗證的透明度。這意味著，無論是頂尖實驗室還是初創(chuàng)團隊，都能在統(tǒng)一標(biāo)準(zhǔn)下對比成果、復(fù)現(xiàn)實驗、優(yōu)化算法。

這種開放性，將打破機器人研發(fā)長期以來的高門檻與孤島化局面，促進行業(yè)共識的形成，加速學(xué)術(shù)成果與產(chǎn)業(yè)能力的雙向轉(zhuǎn)化。但它的意義遠不止于服務(wù)學(xué)術(shù)論文的發(fā)表和B端產(chǎn)業(yè)鏈，更在于真正推動測評技術(shù)走向C端，實現(xiàn)廣泛落地。

如果你是研究人員，可以不再受限于仿真環(huán)境與實體硬件，在真實機器人上驗證你的想法；如果你是創(chuàng)業(yè)者，可以基于客觀數(shù)據(jù)展示你產(chǎn)品的真實能力，讓技術(shù)說話；技術(shù)愛好者甚至在校學(xué)生，也獲得了接觸前沿、親手參與的機會，人人都可以親手為機器人“跑個分”。

目前，RoboChallenge已正式登陸Hugging Face平臺，面向全球開放其真機評測任務(wù)與數(shù)據(jù)集。平臺已發(fā)布三十個真實世界任務(wù)數(shù)據(jù)集，涵蓋擦桌、澆花、開關(guān)電器、堆疊積木、分類物品等多種具身操作場景，全面展示了機器人在現(xiàn)實環(huán)境下的感知與行動能力。所有任務(wù)數(shù)據(jù)均支持公開訪問與復(fù)現(xiàn)實驗，體現(xiàn)了RoboChallenge對“可比性、可復(fù)現(xiàn)、可共建”的堅持。

正因如此，RoboChallenge不僅是一個評測平臺，它正逐漸成為機器人世界的公共基礎(chǔ)設(shè)施。

它讓機器人不再停留于看起來聰明，而是必須在真實世界中“確實聰明”；讓投資判斷不再憑故事，而是扎實的數(shù)據(jù)；讓研究不再各自為政，而能在同一套規(guī)則中進化。

在未來幾年里，RoboChallenge也許會像當(dāng)年的ImageNet一樣，成為推動一個時代加速的引擎。它不是一場比賽，而是一面鏡子，讓整個行業(yè)照見自己的真實能力。

而機器人世界的跑分時代，也終于要開始了。