具身评测平台实测:Opus 76.28 分领跑通用大模型,但仍不敌专业策略模型
机器之心 · wechat · 2026-10-22
具身智能评测平台 RoboColiseum 发布新一轮报告,通过 Agent2Act 框架将 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 和 Gemini 4 Argon 四款多模态大模型接入 78 个高保真仿真任务打榜。
榜单结果
- 综合分:Opus 5.5 以 76.28 分居多模态模型之首,GPT-6 Astra 75.99 分紧随,Sol 70.91、Argon 66.86;但官方总榜前两名仍是专业具身策略模型 Paimon(77.54)与 HiDream-O1-Embodied(76.92)。
- 通用操作差距明显:四款多模态模型得分仅 38.79–46.70,策略模型为 63.20–66.13。模型「理解了任务」不等于「做得好动作」。
- 各有所长:Opus 空间理解与通用操作领先;Astra 指令跟随和扰动适应最强;Sol 成本低适合平衡开销;Argon 包裹分拣等单项有亮点。
扰动测试
- 图像质量下降是共同弱点:相对指令跟随基线,Opus 掉约 20 分、Argon 26 分、Astra 32 分,Sol 暴跌 77 分(95.5→约 18 分)。
控制配置消融(以 Astra 为例)
- 移除执行偏差反馈:成功率 90%→80%,规划决策 16.7→35.6 次。
- 移除深度输入:成功率降至 80%,动作步数 118.8→158.2。
- 移除历史记录:插积木 4 布局只完成 2 个,决策次数 27.5→66.5,耗时翻倍。
真机与平台
- Astra 在 ARX、AgileX、G1、G2 四种本体上完成同一拾放任务;真机上叠衣服等多阶段柔性操作仍未成功。
- 平台称仿真与实机表现在已验证范围内相关性达 89.5%,仿真-真机成功率差异小于 10%;开发者通过自然语言 AgentSkill 从注册到提交最快约 5 分钟。
「具身」频道最新
- Sergey Levine 访谈全文：机器人正重演 LLM 的范式转变 — adityaag · 2026-10-23
- Sergey Levine：机器人正重演 LLM 的提示词革命 — adityaag · 2026-10-23
- Embodied First Exam：一行代码在 44 台机器人上考你的 Agent — ManlingLi_ · 2026-10-23
- 人行道上的配送机器人实拍,自己走完送货最后一公里 — HomeNowWTF · 2026-10-23
- 用 ESP32 小屏给 Claude Code 做 status 卡片，Go 本地检测状态 — tonylook · 2026-10-23
- Dream Labs 出 stealth:双手机器人基座模型 Dream-1,时租仅 3 美元 — scott_e_reed · 2026-10-23