泉源：影戏《特立独行》：不止笑剧作者： 曹珊贵：

人均第一，，，，，具身智能榜单能信吗？？？？？？

刷题、话术包装、资源置换。。。

定焦One（dingjiaoone）原创

作者 | 王璐

编辑 | 魏佳

具身智能赛道一连吸引资源眼光的同时，，，，，种种相关榜单也越来越多。。。当“第一”险些成为各家标配时，，，，，榜单尚有可信度吗？？？？？？

一个多月前，，，，，千寻智能就履历了尴尬时刻。。。6月初，，，，，其具身基座模子Spirit v1.6在RoboArena榜单上以1918分的效果凌驾了英伟达Cosmos3的1880分，，，，，一度位居“天下第一”；；；紧接着，，，，，千寻宣布完成15亿元A+轮融资，，，，，三个月内累计完成四轮麋集融资，，，，，总额靠近50亿元，，，，，创下具身智能赛道的融资频率新高。。。

不过，，，，，业内对评测数据的质疑险些从越日就最先升温。。。有视察者指出，，，，，在310次评测纪录中，，，，，有72%的分数来自两个账号。。。更值得关注的是，，，，，RoboArena官方随后宣布声明，，，，，经回溯视察后移除了部分存疑的评测数据，，，，，并更新了榜单排名。。。Spirit v1.6也随之从榜单上除名。。。

但这一事务并未浇灭玩家们的热情，，，，，掀开近半年的行业新闻，，，，，星动纪元、原力灵机、极佳视界、智元、跨维、鹿明……险些每一家头部公司手里都攥着一个“第一”，，，，，且这些“第一”维度各不相同。。。

这一情形或许不难明确，，，，，具身智能现在手艺蹊径还没统一、真机乐成率大多卡在五六成，，，，，外界想判断一家公司究竟行不可，，，，，很洪流平上只能依赖榜单。。？？？？？？傻狈竦募扔懈咝！⒒挂灿忻教，，，，，各家标准各不相同、有的还牵涉商单和利益关系时，，，，，榜单自己还能不可当尺子用，，，，，就成了一个问题。。。

一位关注具身赛道的投资人坦言，，，，，榜单更偏市场行为，，，，，最多算投资决议的一个参考，，，，，他关于千寻这件事并不受惊。。。在他看来，，，，，真正在意名次的，，，，，往往不是以财务或手艺为出发点的机构，，，，，而是一些地方指导基金或偏国资的资金，，，，，一个“第一”，，，，，可能正是他们“写在报告里一个较量好的入口”。。。但也有投资人持差别看法，，，，，他们以为在手艺门槛高、信息差池称的早期赛道，，，，，榜单至少提供了一个横向较量的起点。。。

当“第一”的数目比认真做机械人的公司还多时，，，，，这些榜单究竟是在测手艺，，，，，照旧在测讲故事的能力？？？？？？哪些榜单还值得看？？？？？？

01.手艺蹊径还没统一，，，，，祖先手一个“第一”

我们先来盘一盘现在市面上的榜单，，，，，建设一个大致印象。。。据不完全统计，，，，，现在具身智能的活跃榜单高达20余个。。。按评测内容，，，，，这些榜单大致可以分成三类。。。

VLA操作综合榜，，，，，考察机械人能不可真干活，，，，，跑的是使命乐成率，，，，，代表榜单是RoboChallenge Table30、MolmoSpaces；；；

天下模子榜，，，，，考的是脑内推演对差池，，，，，考察模子对物理天下的推演，，，，，不考机械人手脚利倒运索，，，，，代表是World Arena和WorldModelBench；；；

专项基准榜，，，，，考察“极端情形下会不会露馅”，，，，，针对单点极端能力，，，，，好比双臂协同、仿真到真机迁徙，，，，，代表是RoboTwin 2.0、SimplerEnv、LIBERO 和 CALVIN。。。它的价值在于，，，，，在综合榜照不到的极端场景里，，，，，把模子的短板逼出来。。。

需要说明的是，，，，，这三类榜单各有着重、互不替换。。。真机榜测执行、天下模子榜测推演、专项榜测界线，，，，，没有任何一个能笼罩具身智能的所有能力。。。

有了这层坐标，，，，，近半年具身基座模子的战报就能对号入座。。。若是把近两个月具身基座模子的战报汇总，，，，，可以获得一份相当壮观的名单。。。

今年5月，，，，，星动纪元Era0宣称拿下RoboChallenge Table30第一；；；智元GE-Sim 2.0是World Arena Track1第一；；；跨维DSCFuncWorld是World Arena Track2第一。。。进入6月，，，，，千寻Spirit v1.6拿下RoboArena第一（后被除名），，，，，鹿明Prime R0登顶MolmoSpaces。。。险些每一家都是第一，，，，，并且都有详细榜单排名作背书。。。

而乱象，，，，，也是从种种榜单最先的。。。

最显着的是，，，，，榜首像流水席，，，，，“第一名”替换频仍。。。

RoboChallenge Table30的榜首，，，，，已往半年里至少换了四次：先是千寻Spirit v1.5以50.33%的乐成率刷新纪录，，，，，很快又被极佳视界GigaBrain-0.1、美国波士顿动力Atlas、星动纪元Era0先后逾越。。。

这个速率，，，，，比大语言模子的主流榜单更新快得多。。。2023年到2025年，，，，，GPT-4、Claude 3、Gemini 1.5在MMLU、GSM8K等榜单上的榜首位置，，，，，通常能守数月甚至一年，，，，，即即是2020年到2022年的高速迭代期，，，，，GPT-3、PaLM也是以月为换榜周期。。。“当下的具身智能，，，，，单个模子能霸榜一周就算禁止易。。。”一家头部具身智能公司的从业者米范体现。。。

其将主要原因归结为两点。。。一是物理天下的随机性，，，，，统一个模子在真机上跑两次，，，，，乐成率差三到五个百分点很正常，，，，，光照、物体位置、机械臂公差都会影响效果，，，，，而MMLU这类大语言模子榜单是牢靠问题、确定性判分，，，，，统一模子跑一百次分数险些稳固。。。二是测试使命的果真水平，，，，，像RoboChallenge的Table30，，，，，30项使命漫衍是果真的，，，，，各家可以照着使命专门采数据、微调模子再提交，，，，，榜首的“保质期”于是被压到了以周计。。。

更让人疑惑的，，，，，是统一个榜里会同时冒出好几个“第一”。。。

World Arena就是典范，，，，，智元GE-Sim 2.0、跨维DSCFuncWorld对外都称自己“登顶World Arena”，，，，，但事实是，，，，，这个榜单含有多条赛道，，，，，智元GE-Sim 2.0在Track1（感知与行动响应）以68.26分排第一，，，，，跨维DSCFuncWorld在Track2（数据引擎）排第一。。。“第一”分属差别个子榜，，，，，对外却被统一写成了统一句话。。。

对不熟悉赛道划分的读者来说，，，，，两家并列的“World Arena第一”的说法险些无法分辨，，，，，甚至会嫌疑是不是有人在说谎，，，，，但着实谁都没说错，，，，，只是不敷准确。。。

尚有一层更模糊的地带是，，，，，榜单性子混杂，，，，，“第一”的含金量却被默认成统一档，，，，，容易爆发误导。。。

一些公司的对外口径里，，，，，经；；；嵬绷谐觥澳衬Ｗ釉赗oboChallenge排名第一”，，，，，和“在某具身智能媒体的测评中也位居第一”。。。前者是7×24小时真机跑出来的乐成率，，，，，后者可能只是编辑部闭门讨论、甚至商务相助敲定的名单，，，，，两者被并排放进一句话，，，，，含金量却被默认成了统一档。。。

其中最模糊的是“工业榜”，，，，，有些榜单顶着“工业”二字，，，，，但既不是真机锁死的硬榜，，，，，也不是学术机构背书的benchmark，，，，，而是咨询公司或媒体合办的打分榜。。。类似情形也在大语言模子圈泛起过，，，，，但随着学术榜、商业测评、媒体榜逐渐分层，，，，，“双料第一”才逐步被拆掉，，，，，而具身智能，，，，，眼下正处在谁人尚未分层的阶段。。。

三种征象叠加，，，，，效果就是榜单“第一”严重通货膨胀。。。并且这种通胀不但停留在营销层面，，，，，一个“第一”的头衔往往能换来关注度、资源和实打实的估值溢价。。。

02.一个“第一”是怎么造出来的？？？？？？

既然榜单能撬动真金白银，，，，，怎样把第一造出来，，，，，也形成了“潜规则”。。。业内人士先容，，，，，虽然千寻Spirit v1.6属于极端个例，，，，，但行业里造“第一”的征象并不少，，，，，手法大致有三种。。。

本钱最低、也最普遍的一种方式是话术包装，，，，，“单科第一”成了“总分第一”，，，，，焦点是省掉要害限制词。。。

好比现实拿的是“RoboTwin 2.0双臂协同VLA类Clean档第一”，，，，，对外就酿成“登顶RoboTwin 2.0”；；；现实是“LIBERO-Plus场景泛化专项第一”，，，，，对外就成了“LIBERO-Plus榜首”。。。数据没造假、效果也是真的，，，，，但“第一”所指代的规模被人为放大了。。。

第二种方式是使用“刷题”等方式直接干预效果。。。

一条是“照着考题练”。。。榜单果真的使命漫衍、评分标准、情形参数，，，，，都可以拿来做定向后训练，，，，，在一些使命相对牢靠的榜上尤其显着，，，，，各家可以通过重复“刷题”、过拟合到特定场景换来高分。。。

米范体现，，，，，具身领域的部分榜单的测试使命是果真的，，，，，各家可以针对这些使命专门收罗数据、微调模子后再提交，，，，，这在具身圈被视为正常迭代，，，，，不算作弊，，，，，和LLM领域的“数据泄露、数据污染”有实质区别。。。

另一条是钻评测机制的误差。。。有些榜权威性很高，，，，，机制却有空子可钻。。。好比RoboArena接纳开放注册、漫衍式评测，，，，，本意是让更多人加入，，，，，却留下了三个空子。。。

图源 / RoboArena官网

一是评测者身份无门槛。。。任何人都能注册当裁判，，，，，短期内大宗新账号集中评测统一个模子，，，，，就能把它的Elo分数快速推高；；；

二是匹配不强制全笼罩，，，，，随机分配敌手不即是必需跟同期在榜者都打一轮，，，，，评测者领使命时，，，，，A 是牢靠的，，，，，B 是从分数相近的模子里随机抽，，，，，样本不敷大时两个模子完全可能一次都排不上。。。好比Spiritv1.6早期与DreamZero交手，，，，，23场后息兵，，，，，与5月30日入榜的英伟达Cosmos3-Nano-Policy为零对战；；；

三是集中刷评，，，，，用多个账号麋集评测自家模子，，，，，把负面纪录降低。。。好比Spirit v1.6的310次评测纪录中，，，，，72%的分数来自于ECUST和Robotics Lab两个账号，，，，，它们用224场评测刷出97%胜率，，，，，把Spirit v1.6推上第一，，，，，但英伟达用同样条件自测21次，，，，，胜率0%，，，，，两组数据摆在一起，，，，，直接让从业者爆发嫌疑。。。

事后，，，，，RoboArena补了规则：评测者必需是无利益关联的第三方，，，，，堵住自刷账号的入口，，，，，评测完成率低于20%的账号标为可疑，，，，，堵住选择性匹配。。。而处理后，，，，，千寻跌出榜单。。。

尚有一种方式最隐藏也最泛滥，，，，，是资源置换，，，，，把榜单直接做成生意。。。

不少媒体榜评选标准并不透明，，，，，有的爽性与被评工具保存商务相助，，，，，双方联合发一份“权威报告”，，，，，把媒体榜和学术benchmark并排包装。。。它不涉及手艺，，，，，也不涉及数据，，，，，只涉及预算和关系。。。不止一位从业者体现，，，，，刷榜、买榜等征象并不少见。。。

这三种手法往往叠加，，，，，先靠针对性训练或钻空子把分数刷上去，，，，，再用赛道偷换掩饰泉源，，，，，最后用话术对外撒播，，，，，须要时再买个媒体榜背书。。。层层包装之下，，，，，“第一”就成了。。。

这些手法在行业内部并不是神秘。。。真正的问题在于，，，，，看透它们需要一定的手艺功底，，，，，手艺越重大，，，，，外行越难分辨，，，，，故事就越容易讲。。。

03.去掉水分，，，，，还该信什么？？？？？？

不止一位具身智能从业者坦言，，，，，他们当下已经不太关注榜单排名了，，，，，由于榜单能刷、能买，，，，，即便一切合规，，，，，物理情形的重大性也让数据很难做到百分百准确。。。

更深一层的问题是，，，，，这个行业现在还没有一把“通用的尺子”。。。

具身智能从业者gashero用“炒鸡蛋”和“拌凉菜”打了一个例如：机械人A善于炒鸡蛋、乐成率90%，，，，，机械人B善于拌凉菜、乐成率85%，，，，，但不可就此说A比B强。。。炒鸡蛋磨练抓取和翻锅，，，，，拌凉菜磨练精准倒料和搅拌，，，，，两件事手艺差别、难度差别、评价标准也差别。。。当下的具身智能赛道还没有一个统一标准，，，，，能把“炒鸡蛋的能力”和“拌凉菜的能力”折算进统一个打分系统里。。。

不过，，，，，这不代表榜简单无是处。。。从业者普遍以为，，，，，榜单仍有其参考价值，，，，，要害在于知道什么值得看，，，，，以及看完之后还该看什么。。。

图源 / RoboChallenge官网

综合业内共识，，，，，真正可信的榜单，，，，，概略同时具备三个特征。。。

一是分项透明，，，，，不是只甩一个“第一”。。。

岂论综合榜照旧专项榜，，，，，可信的做法都是把细项逐一拆开。。。以RoboChallenge Table30为例，，，，，它测的是30项日常使命的综合乐成率，，，，，可信之处在于，，，，，不但告诉读者64.33%这个综合数字，，，，，还让读者看到30项里哪几项做得好、哪几项掉链子。。。只报总分、不报细项的榜，，，，，价值要大打折扣。。。

二是评测由第三方掌控，，，，，且有反刷题设计。。。

MolmoSpaces不允许微调，，，，，模子直接“裸考”；；；LIBERO-Plus则加了光照突变、配景杂乱、相机角度转变等极端扰动，，，，，专门防止靠死记硬背拿分。。。它们的配合特点，，，，，是让刷题变难，，，，，让泛化成为真正的门槛。。。

三是看评测机制，，，，，而不是看更新频率。。。

更新慢的榜单纷歧定可靠，，，，，更新快的榜单也纷歧定可刷。。。有些榜更新慢，，，，，可能由于真机评测本钱极高，，，，，好比RoboChallenge一次完整评测周期可能要数周，，，，，30项使命每项跑10次，，，，，一共300次真机实验，，，，，7×24小时一连运行，，，，，这是物理天下的本钱约束。。。而有些榜更新快，，，，，则是机制设计。。。好比RoboArena接纳了Elo评分系统举行动态排名，，，，，天天都有新对战数据进来，，，，，排名自然天天更新。。。这种快自己不是问题，，，，，它的可信度取决于机制是否严密、误差是否被补上。。。

可是，，，，，既然圈内都知道榜单有水分，，，，，为什么各人还在拼命刷？？？？？？

谜底在于行业当下的阶段。。。

眼下这场“第一”的争取战，，，，，实质上是资源焦虑的产品。。。今年是具身基座模子麋集迭代的一年，，，，，早期赛道出货量、营收、订单量都不稳固，，，，，只能拿榜单顶上。。。融资导向的阶段没变，，，，，刷榜这件事就不会停。。。

当行业进入下一阶段，，，，，评判的标尺会自然切换，，，，，例如每年交付几多台、有哪些牢靠客户、是否能盈利。。。到那时间，，，，，“第一”的通货膨胀会自然消逝，，，，，榜单也会退回它本该在的位置。。。

或许，，，，，那些不忙着刷榜、只顾着把机械人送进产线的公司，，，，，才是行业真正的谜底。。。

*题图由「定焦One」拍摄。。。应受访者要求，，，，，文中米范为假名。。。