33日前赴后继：“盘踞珠穆朗玛峰”的Agent，与步入调整期的RoboDojo

本文来自微信公众号： 42号电波 ，作者：Starc，编辑：大吉，原文标题：《33日前赴后继：「盘踞珠穆朗玛峰」的 Agent，与步入调整期的 RoboDojo》

RoboDojo是具身智能领域具有代表性的评测标准之一。这项包含42个仿真任务与18个真机任务，堪称机器人的「全科大考」。在CALVIN、LIBERO、RoboTwin、RMBench等仿真环境与ManipulationNet、RoboArena等真机基准工作之上，RoboDojo通过提供统一的结构化评测，共享策略接口与评测流水线，把面向能力的仿真诊断与可复现的真机验证结合起来，以此来填补过往基准中出现的缺口。

当RoboDojo问世，Tianxing等人组成的核心团队希望这项基准能够加速通用机器人操作策略的实现。即便在不甚了解该领域的外界看来，它也颇具象征意义——这是一座具身智能界的「珠穆朗玛峰」。

正如所有在现实世界中立志登顶珠峰的登山家那样，这座具身珠峰下摩拳擦掌的挑战者不计其数。其中不仅盘踞着北京大学、清华大学、UC Berkeley、NUS等顶尖高校学者与学生团队的工作成果，也能看到Physical Intelligence、OpenAI、智元机器人、小米机器人、美团、星动纪元、Manifold AI等前沿科技企业的身影。期间，世界动作模型（WAM）、视觉语言动作模型（VLA）、Agent等不同技术路线一度百花齐放。从山脚到山腰，一系列的智能涌现与科技竞逐不禁引人遐想：谁才能最终夺得珠峰山顶的旌旗？

然而，近一个月来，这种情况发生了剧烈变化。

33日，前赴后继

自2026年9月初Open AI发布GPT-6 Astra起，变化悄无声息地在具身智能体（Robot-Use Agent）层面发生了。

9月28日，香港大学MMLab与Kinetix AI的PhysicalRSI首次将Agent推上榜首。

10月14日，Einsia.AI的EmbodiedEvo以45.08分的成绩取代PhysicalRSI登上榜首。

三天之后，Manifold AI研发的WorldScape-R²SI智能体以46.58分的成绩取代Einsia.AI登上榜首。

又在三天后，六角未来的HexaShell以53.18分的成绩取代前者登上榜首。

10月24日，北大DAGroup的PyRUA-Lean以55.26分成绩再次取代HexaShell暂时领先。

10月27日，智元机器人（AGIBOT）的GO-3 Nano Preview接替北大PyRUA-Lean夺得榜单第一，平均成绩首次突破60大关。

10月30日，Qoo Tech的Q0-Preview又以74.20分的成绩接替智元机器人再次登顶。

公开成绩显示，Q0在记忆、开放词汇、精度、长程和泛化五大维度上取得四项第一，得分分别为93.67、75.0、58.5、58.5、58.67。由于RoboDojo的评测政策支持团队在项目论文或代码不公开的情况下进入测评，我们至今仍未能确定为何该工作为Agent带来如此大的提升。

短短33天内，不同团队工作竞相追逐，Agent赛道将WAM、VLA甩在了身后。为什么会这样？这是否意味着具身智能体有望终结通用机器人的科技竞赛？

为何拉开差距

已经开源的多篇RUA研究中，思路的共通点在哪里？

多项研究的共同思路，是把大模型擅长的编程能力用到机器人策略上。Agent看到相机画面、读懂任务后，写出一段控制程序，调用机械臂和夹爪执行，再根据新的画面和执行结果调整做法。程序里的条件判断、循环和变量，承担了一部分过去需要模型通过训练掌握的工作。一个复杂任务由此被拆成能够逐项检查的操作，失败也更容易追溯到具体环节。研究者可以修改其中一段代码，随后再试，改进不必每次都从重新训练模型开始。

不过，这还不足以解释各家工作之间的差距。北大DAGroup PyRUA-Lean调整了Agent调用机器人的方式，允许它一次写出一段Python程序，把连续操作和局部重试放在程序里完成，只在需要时取回图像和状态。这样既能减少反复调用模型的开销，也能让已经明确的操作连贯执行。

HexaShell工作的更多重心则在处理视觉与动作之间的落差，同时把执行任务和修复工具分开，一个Agent操作机器人，另一个读取失败记录、检查工具代码，修改后再测试。有效的改动以代码和笔记留下，在正式评测前冻结。这让后来的尝试能够使用已经修好的工具，不必从同一个错误重新摸索。

EmbodiedEvo同样表现出类似的思路，但它更关注经验如何交给下一位执行者。系统先在练习场景中探索，把可复用的操作写成代码技能，把何时适用、失败场景、补救措施写入判断，再交给全新的Agent到未见过的布局里循环使用。

PhysicalRSI则把可以修改的范围扩展到整套控制流程。负责理解和诊断的大模型会依据执行结果，改写技能、工具调用和控制代码，生成不同的候选版本，再通过测试决定留下哪一个。它也允许调用VLA技能。与单独修好某个动作相比，这种做法试图改进的是机器人遇到一种情况时，如何选择并组织下一步行动。

Manifold AI在模型外部智能体的设计与上述方式有着显著区别。其WorldScape-R²SI进一步把动作模型纳入改进过程，内部的Robot Agent决定何时使用控制工具、何时调用WorldScape Policy执行动作，外部的Recursion Agent分析记录。Agent既修改技能和执行流程，也筛选经验去训练动作模型，将改好的版本经过测试验证后，再用于下一轮执行。

这些在智能体自我迭代上的差别会直接影响各家在不同任务上的表现。可总结出的经验是，这些智能体形成的调用普遍更紧凑，有助于减少冗余操作；定位更可靠，抓取和放置才不容易落空；经验中保留了适用条件，换个布局后才更可能继续有效。动作模型的加入，则提供了另一种执行复杂操作的办法。

虽然近期接替登顶的GO-3 Nano Preview、Q0-Preview等工作仍未公开，但Agent赛道的繁荣现象至少说明，随着基础模型的能力增强，Agent之间的Harness竞争正趋于工程上的紧凑，即整套系统能否快速响应、纠正错误并复用经验。

那么，为何当下这种繁荣没有延伸至WAM、VLA呢？

技术路线的演进有着客观存在的边界性。如果从更宽泛的视角来看，WAM、VLA的两条路线与Agent相比，并不算咬合得非常紧密。它们利用模型既有能力的方式有很大的区别。VLA把视觉和语言映射为动作，WAM则倾向于动作与环境接下来的变化结合建模，都需要通过训练建立这些联系。Agent可以直接借用通用大模型已经具备的语义理解、编程和推理能力，再用工具接上机器人。

因此，在读懂临时指令、记住先前线索、安排多步操作这类任务上，Agent能够较快用上通用大模型的能力积累。遇到没有专门训练过的要求，它还可以现场组合已有工具。机器人训练数据难以覆盖的某些任务变化，就有机会通过推理与程序组合来应对。这可能是它在记忆、开放指令和长程任务中表现突出的重要原因。

另一个原因可能是实现迭代的显著差异。「从头设计大脑」与修改「脚手架」相比，二者之间的难度是无法比拟的。对于主要依靠学习生成动作的系统，一个反复出现的问题，往往需要补充数据、调整训练或修改模型，而WAM这类模型要实现训练的调整，需要消耗大量的计算资源和时间成本；Agent的一部分问题可以先在程序里处理。比如抓取失败后增加检查，或把容易出错的动作拆开重做，都能够较快验证。在榜单密集更新的阶段，这种修改速度会转化为优势。

尽管如此，把路线间的拉锯全部归结为技术路线的高下仍然过于简单。这不仅是因为部分研究统一暴露出Agent在精细操作上的普遍困难，而且范式之间也形成了相互借鉴、融合的趋势。例如，PhysicalRSI实际上容纳了调用VLA的形式，WorldScape-R²SI也并非一项完全抛弃WAM的工作，另有其他研究也出现了「Agent+WAM」的技术交融。

无人否认，GPT-6的问世让更多人看到RUA的可能性，「Agent的能力不一样了，时代确实在发生改变」。也许未来的分工可能是Agent负责理解任务、安排步骤和处理异常，动作模型负责更连续、更熟练的执行。榜单上Agent的领先，也包含了这种组合方式带来的进步。然而值得追问的是，技术趋势之外，当下Agent赛道的繁荣是否也存在着异常的部分？

「Agent繁荣」中的异常部分

GPT-6 Astra的问世促使更多研究者关注基础大模型在具身智能体（Robot-Use Agent）的应用方向，也有不少形如HexaShell、Embodied Evo等成果在RoboDojo、LIBERO PRO、RoboTwin 2.0等基准上不断刷新成绩。值得深思的是，当前具身智能评测榜中的「Agent繁荣」是否存在异常部分？

确实如此。

在《What Are We Actually Benchmarking in Robot Manipulation？》中，已有团队指出，LIBERO、CALVIN、SimplerEnv、RoboCasa、RoboTwin 2.0等测评基准在部分场景下的失效模式，包括捷径可解、统计不显著、过拟合，以及用更接近测试分布的数据训练来追平更大、更通用模型的实际测试表现。

此外，基准当中的部分维度不再足够有效的情况也真实存在，从而导致测评基准在部分场景下不能百分之百客观地反映模型的真实能力。当然，任何一种排名式的竞技都存在「先画靶子后射镖」的情况，希望得到外界更多目光、助推增长本无可厚非。不过，如果有意识地利用基准的遗漏点，将「接近测试所测评的标准」等同于模型实际的所有能力，借助基准夸大营销，就不能算作一种可取的行为。它无助于人工智能前沿技术的进步与落地。

无独有偶。OpenRUA团队此前发布的《Behind the RoboDojo Boom》中同样提到，2026年初以来，大量具身智能体在这类榜单刷新纪录。该研究指出测评榜单「异常繁荣」的背后存在的三项漏洞。

首先，为了维护公平，RoboDojo给每个任务设了200至1,900步的原生步数限制。起初，这种限制是专门为「一步输出一个动作或一小段动作」的策略而设计的。在WAM或者是VLA中，它们适⽤于考验每⼀步输出⼀个动作或⼀个较短的控制策略效率，超出步数外，测评就应认定模型的能力和成功率有所降低。因技术路线差异，Agent Harness可以在实际测试中将这⼀限制替换为其他形式而不被察觉，例如最多允许N次决策，或者最多允许N秒运⾏时间。

OpenRUA对RoboDawn测试发现，部分Agent的99次成功实际有97次发生在原生步数限制之外，如果按照原生步数限制计算，实际的成功率会从47%骤降至0.1%。正如图中所示，由于不同研究采⽤了不同的替换⽅式，导致同⼀个排行榜上的成绩实际上来自于不同标准的计算预算，造成了计算预算方面的不统一。

另一个问题发生在验证器。真实的机器人需要从传感器判断动作是否完成，并停止，对于机器人来说，这种判断极为困难。然而，很多harness可以把模拟器的判定直接塞给Agent，譬如在工具返回的过程中泄露特权信息，又或者有的系统一检测到成功，干脆替Agent结束回合。

理想情况下，工具返回值不应包含任务是否完成、任务进度如何等特权信息，也不应向Agent展示实时得分，这等于向测试者提前透露了考试答案。当Agent通过调用done或give_up结束动作后，第⼀次调用就应该被视为最终决定。

OpenRUA经过测试还认为，榜单上的部分工作系统出现直接在测试任务上反复试错，用基准自己的验证器打标签，把技能冻结，再在同一批任务的其它布局上报分的情况。这就很难谈得上公平。

事实上，RoboDojo的seed、hidden layout、checkpoint审核等补丁大多是为「策略」设计的，而非会写代码、会记忆、会试错的Agent。具身智能体的能力的确随着基础大模型扩容而越发强悍，尽管RoboDojo团队已尽最大努力剔除这种「繁荣」背后的异常部分，原有的WAM、VLA、Agent、Code As Policy等一体的测评基准已不适用于日渐分化的技术路线，这座具身珠峰也将迎来调整。

近日，该测评基准的第一作者、核心维护成员之一Tianxing Chen在社交媒体上公开表示，或许是时候该「分而治之」了。由于RoboDojo诞生于Astra问世之前的时代，现有Agentic方案迭代迅速，为了维护公平，团队一直在倾听社区相关意见，计划在未来对榜单进行部分调整。调整计划包括自2026年12月1日起，采集数据hacking、维护闭集额外测试、独立设置Agent子榜，在总榜与Agent子榜中展示但不计入Open维度分数，提出更严格的开源要求（即所有方案都需要在XPolicyLab中快速开源），持续迭代测评考题，更适合Agent方案的评测也在计划当中。

此外，亦有业内人士给出不少意见，「考虑到部分工作的code as policy过于夸张且拒绝开源，建议评测加入更多随机化，或将智能体执行任务的实际时长也加入评估。」

对于RoboDojo未来可能出现的调整，42号电波曾向相关成员发出询问。截至发稿，暂未获得公开回复。

机器人产业仍显浮躁，根源在于人工智能技术仍处于极为高速的发展期。要知道，一年前，VLA还是个新鲜事物。在这样一个快速变化的行业，一线人士怕走错路，怕慢人一步，怕下个季度就活不下去。随着RSI、AGI、物理AI概念热炒、「火炬接力式」登顶声量此起彼伏，如何能坚守自我、不被焦虑情绪洞穿，考验着绝大多数从业者的内心。

与此同时，前沿技术发展迅速挑战着测评基准的有效度。作为一种具有参考性的测试标准，Benchmark不宜作过于频繁的改动，技术迭代速度与测评修补速度的差异也导致二者缝隙的出现。

盘点RoboCasa、RoboDojo、LIBERO、RoboArena等代表性基准发现，多项基准都曾对涉及到测评公平性的维度与方法进行过适时调整，包括在域随机化、动作精度、扰动泛化、episode长度、数据标注、真机部署等方面均提升过考核难度，或对提交工作细致性作出更高要求。目前，具身智能体（即RUA）方案以周为单位迭代，而行业性的评测协议以季度、年份为单位修补，一方面，二者之间的时间成本不对称；而另一方面，自2026年起，各路线工作的提交量还在不断上升，造成前沿模型或智能体过度利用测评维度遗漏点的情况真实存在。

一个测评基准要维持客观性，保证公平、公开与科学，部分维度出现技术性调整属于正常现象。同时，业界也应冷静考虑一个根本性的问题：测评基准存在的初衷是什么？

RoboDojo的本意是建立一套统一的评测回路，对现有机器人操作策略进行广泛评测，在研究者之间建立公开透明的技术互鉴窗口，为决定整个具身智能产业未来命运的通用机器人技术指引关键的突破方向。进入国内产业的实际竞速，随着团队提交数量的上升，各大基准的名次逐渐进入各大品牌宣传生态位和融资素材，评测基准也自然获得了关注度和足以左右短期商业利益的话语权。在这种背景下，业内共同监督、共同维护基准长期科学性和客观性就变得至关重要。

随技术变化的，与不应改变的

或许在部分人眼中，设立基准是个麻烦活。有一些标准需要随着科技演进而正常变化，有一些原则却不可以改变。

比如，基准一旦设立，团队便有责任维护它的客观、公正性，识别所提交的论文、项目与各项数据，评估复现效果，将能够真正反映出时代科技进步的成果展示在公众面前，还要把前沿科学研究中黑暗的、功利的、狡黠的、徒有虚名的部分剔除在高山之下。提交工作的团队也应适当放缓「走捷径」的思维惯性，用难以复现或难以符合客观标准的工作去「博得偶然」。只有这样，建立在同行评审制度之上的学术共同体、产业生态才能够得到保证，也让外界（公众、尚未进入高等教育的学生与技术爱好者）窥见前沿科技正在探索中如何真实地变化。

约6,500万年前，印度次大陆与欧亚大陆板块在强烈碰撞中相互挤压，地壳被挤压、褶皱、抬升，形成今天的珠穆朗玛峰。时至今日，WAM、VLA、Agent等多条技术并行推进、彼此碰撞，RoboDojo——这座象征着具身珠峰的测评基准也承受着科技最前沿的山风呼啸。

中国各大顶尖高校团队和科技企业仍在实现物理AI的登山竞赛中争分夺秒。也请记得，前沿科技的客观发展与决定性的进步不因浮躁而就，沉稳不懈者方得始终。