人均第一，具身智能榜單能信嗎？

刷題、話術包裝、資源置換。

定焦One（dingjiaoone）原創

作者 | 王璐

編輯 | 魏佳

具身智能賽道持續吸引資本目光的同時，各類相關榜單也越來越多。當“第一”幾乎成為各家標配時，榜單還有可信度嗎？

一個多月前，千尋智能就經歷了尷尬時刻。6月初，其具身基座模型Spirit v1.6在RoboArena榜單上以1918分的成績超過了英偉達Cosmos3的1880分，一度位居“世界第一”；緊接著，千尋宣布完成15億元A+輪融資，三個月內累計完成四輪密集融資，總額接近50億元，創下具身智能賽道的融資頻率新高。

不過，業內對評測數據的質疑幾乎從次日就開始升溫。有觀察者指出，在310次評測記錄中，有72%的分數來自兩個賬號。更值得關注的是，RoboArena官方隨后發布聲明，經回溯調查后移除了部分存疑的評測數據，并更新了榜單排名。Spirit v1.6也隨之從榜單上除名。

但這一事件并未澆滅玩家們的熱情，翻開近半年的行業新聞，星動紀元、原力靈機、極佳視界、智元、跨維、鹿明……幾乎每一家頭部公司手里都攥著一個“第一”，且這些“第一”維度各不相同。

這一景象或許不難理解，具身智能目前技術路線還沒統一、真機成功率大多卡在五六成，外界想判斷一家公司到底行不行，很大程度上只能依賴榜單。可當發榜的既有高校、機構也有媒體，各家標準各不相同、有的還牽扯商單和利益關系時，榜單本身還能不能當尺子用，就成了一個問題。

一位關注具身賽道的投資人坦言，榜單更偏市場行為，最多算投資決策的一個參考，他對于千尋這件事并不吃驚。在他看來，真正在意名次的，往往不是以財務或技術為出發點的機構，而是一些地方引導基金或偏國資的資金，一個“第一”，可能正是他們“寫在報告里一個比較好的入口”。但也有投資人持不同看法，他們認為在技術門檻高、信息不對稱的早期賽道，榜單至少提供了一個橫向比較的起點。

當“第一”的數量比認真做機器人的公司還多時，這些榜單到底是在測技術，還是在測講故事的能力？哪些榜單還值得看？

01.技術路線還沒統一，先人手一個“第一”

我們先來盤一盤目前市面上的榜單，建立一個大致印象。據不完全統計，目前具身智能的活躍榜單高達20余個。按評測內容，這些榜單大致可以分成三類。

VLA操作綜合榜，考察機器人能不能真干活，跑的是任務成功率，代表榜單是RoboChallenge Table30、MolmoSpaces；

世界模型榜，考的是腦內推演對不對，考察模型對物理世界的推演，不考機器人手腳利不利索，代表是World Arena和WorldModelBench；

專項基準榜，考察“極端情況下會不會露餡”，針對單點極端能力，比如雙臂協同、仿真到真機遷移，代表是RoboTwin 2.0、SimplerEnv、LIBERO 和 CALVIN。它的價值在于，在綜合榜照不到的極端場景里，把模型的短板逼出來。

需要說明的是，這三類榜單各有側重、互不替代。真機榜測執行、世界模型榜測推演、專項榜測邊界，沒有任何一個能覆蓋具身智能的全部能力。

有了這層坐標，近半年具身基座模型的戰報就能對號入座。如果把近兩個月具身基座模型的戰報匯總，可以得到一份相當壯觀的名單。

今年5月，星動紀元Era0宣稱拿下RoboChallenge Table30第一；智元GE-Sim 2.0是World Arena Track1第一；跨維DSCFuncWorld是World Arena Track2第一。進入6月，千尋Spirit v1.6拿下RoboArena第一（后被除名），鹿明Prime R0登頂MolmoSpaces。幾乎每一家都是第一，而且都有具體榜單排名作背書。

而亂象，也是從各種榜單開始的。

最明顯的是，榜首像流水席，“第一名”更換頻繁。

RoboChallenge Table30的榜首，過去半年里至少換了四次：先是千尋Spirit v1.5以50.33%的成功率刷新紀錄，很快又被極佳視界GigaBrain-0.1、美國波士頓動力Atlas、星動紀元Era0先后超越。

這個速度，比大語言模型的主流榜單更新快得多。2023年到2025年，GPT-4、Claude 3、Gemini 1.5在MMLU、GSM8K等榜單上的榜首位置，通常能守數月甚至一年，即便是2020年到2022年的高速迭代期，GPT-3、PaLM也是以月為換榜周期。“當下的具身智能，單個模型能霸榜一周就算不容易。”一家頭部具身智能公司的從業者米范表示。

其將主要原因歸結為兩點。一是物理世界的隨機性，同一個模型在真機上跑兩次，成功率差三到五個百分點很正常，光照、物體位置、機械臂公差都會影響結果，而MMLU這類大語言模型榜單是固定題目、確定性判分，同一模型跑一百次分數幾乎不變。二是測試任務的公開程度，像RoboChallenge的Table30，30項任務分布是公開的，各家可以照著任務專門采數據、微調模型再提交，榜首的“保質期”于是被壓到了以周計。

更讓人迷惑的，是同一個榜里會同時冒出好幾個“第一”。

World Arena就是典型，智元GE-Sim 2.0、跨維DSCFuncWorld對外都稱自己“登頂World Arena”，但事實是，這個榜單含有多條賽道，智元GE-Sim 2.0在Track1（感知與動作響應）以68.26分排第一，跨維DSCFuncWorld在Track2（數據引擎）排第一。“第一”分屬不同個子榜，對外卻被統一寫成了同一句話。

對不熟悉賽道劃分的讀者來說，兩家并列的“World Arena第一”的說法幾乎無法分辨，甚至會懷疑是不是有人在撒謊，但其實誰都沒說錯，只是不夠精確。

還有一層更模糊的地帶是，榜單性質混雜，“第一”的含金量卻被默認成同一檔，容易產生誤導。

一些公司的對外口徑里，經常會同時列出“某模型在RoboChallenge排名第一”，和“在某具身智能媒體的測評中也位居第一”。前者是7×24小時真機跑出來的成功率，后者可能只是編輯部閉門討論、甚至商務合作敲定的名單，兩者被并排放進一句話，含金量卻被默認成了同一檔。

其中最模糊的是“產業榜”，有些榜單頂著“產業”二字，但既不是真機鎖死的硬榜，也不是學術機構背書的benchmark，而是咨詢公司或媒體合辦的打分榜。類似情況也在大語言模型圈出現過，但隨著學術榜、商業測評、媒體榜逐漸分層，“雙料第一”才慢慢被拆掉，而具身智能，眼下正處在那個尚未分層的階段。

三種現象疊加，結果就是榜單“第一”嚴重通貨膨脹。而且這種通脹不只停留在營銷層面，一個“第一”的頭銜往往能換來關注度、資源和實打實的估值溢價。

02.一個“第一”是怎么造出來的？

既然榜單能撬動真金白銀，如何把第一造出來，也形成了“潛規則”。業內人士介紹，雖然千尋Spirit v1.6屬于極端個例，但行業里造“第一”的現象并不少，手法大致有三種。

成本最低、也最普遍的一種方式是話術包裝，“單科第一”成了“總分第一”，核心是省掉關鍵限定詞。

比如實際拿的是“RoboTwin 2.0雙臂協同VLA類Clean檔第一”，對外就變成“登頂RoboTwin 2.0”；實際是“LIBERO-Plus場景泛化專項第一”，對外就成了“LIBERO-Plus榜首”。數據沒造假、成績也是真的，但“第一”所指代的范圍被人為放大了。

第二種方式是利用“刷題”等方式直接干預結果。

一條是“照著考題練”。榜單公開的任務分布、評分標準、環境參數，都可以拿來做定向后訓練，在一些任務相對固定的榜上尤其明顯，各家可以通過反復“刷題”、過擬合到特定場景換來高分。

米范表示，具身領域的部分榜單的測試任務是公開的，各家可以針對這些任務專門采集數據、微調模型后再提交，這在具身圈被視為正常迭代，不算作弊，和LLM領域的“數據泄露、數據污染”有本質區別。

另一條是鉆評測機制的漏洞。有些榜權威性很高，機制卻有空子可鉆。比如RoboArena采用開放注冊、分布式評測，本意是讓更多人參與，卻留下了三個空子。

圖源 / RoboArena官網

一是評測者身份無門檻。任何人都能注冊當裁判，短期內大量新賬號集中評測同一個模型，就能把它的Elo分數快速推高；

二是匹配不強制全覆蓋，隨機分配對手不等于必須跟同期在榜者都打一輪，評測者領任務時，A 是固定的，B 是從分數相近的模型里隨機抽，樣本不夠大時兩個模型完全可能一次都排不上。比如Spiritv1.6早期與DreamZero交手，23場后停戰，與5月30日入榜的英偉達Cosmos3-Nano-Policy為零對戰；

三是集中刷評，用多個賬號密集評測自家模型，把負面記錄降低。比如Spirit v1.6的310次評測記錄中，72%的分數來自于ECUST和Robotics Lab兩個賬號，它們用224場評測刷出97%勝率，把Spirit v1.6推上第一，但英偉達用同樣條件自測21次，勝率0%，兩組數據擺在一起，直接讓從業者產生懷疑。

事后，RoboArena補了規則：評測者必須是無利益關聯的第三方，堵住自刷賬號的入口，評測完成率低于20%的賬號標為可疑，堵住選擇性匹配。而處理后，千尋跌出榜單。

還有一種方式最隱蔽也最泛濫，是資源置換，把榜單直接做成生意。

不少媒體榜評選標準并不透明，有的干脆與被評對象存在商務合作，雙方聯合發一份“權威報告”，把媒體榜和學術benchmark并排包裝。它不涉及技術，也不涉及數據，只涉及預算和關系。不止一位從業者表示，刷榜、買榜等現象并不少見。

這三種手法往往疊加，先靠針對性訓練或鉆空子把分數刷上去，再用賽道偷換掩蓋來源，最后用話術對外傳播，必要時再買個媒體榜背書。層層包裝之下，“第一”就成了。

這些手法在行業內部并不是秘密。真正的問題在于，看穿它們需要一定的技術功底，技術越復雜，外行越難分辨，故事就越容易講。

03.去掉水分，還該信什么？

不止一位具身智能從業者坦言，他們當下已經不太關注榜單排名了，因為榜單能刷、能買，即便一切合規，物理環境的復雜性也讓數據很難做到百分百準確。

更深一層的問題是，這個行業目前還沒有一把“通用的尺子”。

具身智能從業者gashero用“炒雞蛋”和“拌涼菜”打了一個比方：機器人A擅長炒雞蛋、成功率90%，機器人B擅長拌涼菜、成功率85%，但不能就此說A比B強。炒雞蛋考驗抓取和翻鍋，拌涼菜考驗精準倒料和攪拌，兩件事技能不同、難度不同、評價標準也不同。當下的具身智能賽道還沒有一個統一標準，能把“炒雞蛋的能力”和“拌涼菜的能力”折算進同一個打分體系里。

不過，這不代表榜單一無是處。從業者普遍認為，榜單仍有其參考價值，關鍵在于知道什么值得看，以及看完之后還該看什么。

圖源 / RoboChallenge官網

綜合業內共識，真正可信的榜單，大體同時具備三個特征。

一是分項透明，不是只甩一個“第一”。

不論綜合榜還是專項榜，可信的做法都是把細項一一拆開。以RoboChallenge Table30為例，它測的是30項日常任務的綜合成功率，可信之處在于，不僅告訴讀者64.33%這個綜合數字，還讓讀者看到30項里哪幾項做得好、哪幾項掉鏈子。只報總分、不報細項的榜，價值要大打折扣。

二是評測由第三方掌控，且有反刷題設計。

MolmoSpaces不允許微調，模型直接“裸考”；LIBERO-Plus則加了光照突變、背景雜亂、相機角度變化等極端擾動，專門防止靠死記硬背拿分。它們的共同特點，是讓刷題變難，讓泛化成為真正的門檻。

三是看評測機制，而不是看更新頻率。

更新慢的榜單不一定可靠，更新快的榜單也不一定可刷。有些榜更新慢，可能因為真機評測成本極高，比如RoboChallenge一次完整評測周期可能要數周，30項任務每項跑10次，一共300次真機嘗試，7×24小時連續運行，這是物理世界的成本約束。而有些榜更新快，則是機制設計。比如RoboArena采用了Elo評分系統進行動態排名，每天都有新對戰數據進來，排名自然每天更新。這種快本身不是問題，它的可信度取決于機制是否嚴密、漏洞是否被補上。

但是，既然圈內都知道榜單有水分，為什么大家還在拼命刷？

答案在于行業當下的階段。

眼下這場“第一”的爭奪戰，本質上是資本焦慮的產物。今年是具身基座模型密集迭代的一年，早期賽道出貨量、營收、訂單量都不穩定，只能拿榜單頂上。融資導向的階段沒變，刷榜這件事就不會停。

當行業進入下一階段，評判的標尺會自然切換，例如每年交付多少臺、有哪些固定客戶、是否能盈利。到那時候，“第一”的通貨膨脹會自然消散，榜單也會退回它本該在的位置。

或許，那些不忙著刷榜、只顧著把機器人送進產線的公司，才是行業真正的答案。

*題圖由「定焦One」拍攝。應受訪者要求，文中米范為化名。