新智元报道
在RoboColiseum新赛季公布的成绩中，Claude Fable 5.2 以18.30分拿下综合第一，精细操作、跨本体迁移分别得到33.04分和17.99分，两项同样领先。灵巧手，却成了这位综合冠军得分最低的一项。
精细操作拿下第一，为什么灵巧手却只得3.73分？用手挂衣服、把物体稳稳握在手里，这些人类习以为常的动作，对大模型究竟难在哪里？
RoboColiseum新赛季把机器人在现实世界真正要干的活搬进了考场，新增灵巧手操作、全身协同、精细操作与本体迁移四条赛道、50个任务。评测既看任务能否从头到尾完成，也会考察执行效率是否够快。
四大新赛道
聚焦真实长程和复杂任务
给手机充电、用衣架挂衣服、捡起垃圾、用钥匙开门——新赛道里的任务，都是机器人走进真实世界后要干的活。这些看似日常的工作，需要手指、双臂和身体协调配合完成。
RoboColiseum将这些实际需求搬进仿真考场，新增四条赛道、50个任务，检验模型能否把一件事从头到尾做完。
灵巧操作：从多指协同到使用工具。
挂起一件衣服，机器人要先抓住并撑开衣物，将衣架穿进去，再调整位置、挂到衣杆上。
衣服柔软、容易变形，多根手指需要配合抓握，双手也要协调动作，才能把这一连串操作做好。
该赛道共10项任务，还覆盖颠锅、还原魔方、系垃圾袋和双手搬运包裹等操作。
全身协同：底盘、躯干和双臂，要一起干活。
捡垃圾要先移动到合适的位置，再调整身体、伸手抓取；擦黑板时，要配合底盘移动和躯干调整，让手臂够到并擦净不同位置。
该赛道包含捡垃圾、放餐盘、传送带取货、钥匙开门、擦黑板等8项任务，考验的是机器人能否把移动和操作连续做下来。
精细操作：接头找到了，能不能插进去？
给手机充电，双臂需要分别控制手机与接头，把位置和方向同时对准。该赛道覆盖手机充电、拼积木、接网线、装轴承、手机打包等8类任务，考验小零件的对位、接触和装配。越接近完成，越需要把动作做准。
本体迁移：换一副「身体」，还能继续干活。
跨本体赛道包含挂杯子、换键帽、拿笔写字、倒水等6类任务，会放到ARX、AgileX、G1和G2四种机器人上分别测试，共构成24个评测任务。
机器人的关节结构、活动范围和夹持工具变了，模型也要相应调整动作。这里检验的是，同一个模型能否适应不同的机器人。
八大模型得分公布
灵巧手仍是共同短板
当前榜单汇总了8款Agent和3款策略模型的成绩。Claude Fable 5.2以18.30的综合分位列第一，GPT-6 Astra和Claude Opus 5.5分别以13.73和11.77分紧随其后。
Fable拿下综合第一，也在精细操作和跨本体迁移上领先。这两项得分分别为33.04和17.99。全身协同中，Astra 得分18.96，Opus 为18.94，两者几乎持平。
但到了灵巧手赛道，8款Agent都遇到了自己的最低分。综合第一的Fable仅得3.73分，Astra与GPT-6.1 Terra均为0.00；Agent中该项得分最高的Gemini 4 Argon，也只有5.19分。多根手指如何配合、怎样稳稳抓住并操作物体，仍是这些大模型共同的难题。
策略模型则在灵巧手上拿出了更高的分数。π₀.₅以16.79分领跑该赛道，LingBot-VLA-2.0和GR00T N1.7分别得到10.66和5.53分，三者均高于本次榜单中的8款Agent。其中，π₀.₅还以11.22的综合分位列第四。
这张成绩单给擅长灵巧控制的团队留下了明确的挑战方向：在大模型尚未做好的操作上，策略模型已经展示了优势，也有机会继续拉开差距。
三重机制防Hack
Agent/Policy分开评
同一套题反复练，模型也可能靠「背题」拿高分。RoboColiseum新赛季加入三重防Hack机制，减少「背题」和使用特权信息带来的虚高分数，让成绩更能反映模型的真实水平。
第一重，隐藏测试集：练习场景公开，正式考题保留。
开发者可以使用开源场景进行开发和调试。服务器上的正式测试场景与其遵循相同分布，但具体布局不同，用来检验模型能否应对没练过的场景。
第二重，动态抽检：换一批题，再看表现。
平台保留固定的正式测试集用于计分，同时设置随每次提交变化的动态测试集。动态集不计入总分，而是与正式集作对照，检查模型是否过度适应固定考题。两组成绩差异过大，相关方案将受到上榜限制。
第三重，人工审核：排查违反评测规则的不当行为。
自动检查之外，平台加入人工审核，进一步识别违反评测规定，恶意获取分数的行为。
Agent与策略模型分开评，同类方案同榜比较。
Agent可以在观察、推理和动作之间反复切换，VLA、WAM等策略方案则通常以动作序列执行任务。两类方案的交互方式和执行节奏不同，本轮更新将它们区分管理，为Agent设置独立榜单，让参评团队能在同类方案中比较表现。
最后，执行效率也进入评分：完成任务，模型执行了多少次？
新规则为Agent设置执行次数限制，阈值参考训练数据。模型反复观察、思考和尝试，执行超过合理次数后，会按超出程度扣分。
任务完成情况同样重要：评分保留中间步骤的进展分，并对在规定步数内完成任务的方案给予额外奖励。任务做到哪一步、整项工作是否完成，以及用了多少步，都会影响最终成绩。
96.86%仿真‑真机一致性
用实测数据证明 「可信度」
仿真评测价值几何，核心评判标准只有一个：仿真里跑出来的效果，能不能等价于真实世界表现。为了量化可信度，RoboColiseum开展大规模对照实验：不对仿真环境做任何适配调优，把真实世界训练出来的模型，直接扔进仿真环境做零样本评测（zero-shot real-to-sim）。
横跨4款不同机器人本体、覆盖22项复杂任务，最终测出仿真与真机任务得分相关性高达96.86%。
这意味着仿真中的评测分数不再是「虚拟成绩单」，仿真中发现的缺陷、验证有效的策略，可以高度可信地迁移到真实机器人，大幅降低真机调试试错成本。
22项复杂任务真机-仿真评测结果一致性对比
和AI对话
让你的模型上场角逐
准备数据、接入模型、提交评测、查看结果，一套流程通过与AI对话就能完成。
RoboColiseum提供AI可调用的Skills，完成安装与必要配置后，开发者即可与AI对话下载训练数据、接入推理服务并发起评测，更快跑通流程、拿到评测成绩。
在平台创建任务并启动推理后，RoboColiseum自动推进仿真运行、场景调度和评分，并提供任务进度、分项成绩与评测结果查询。从提交到查看成绩，各个环节都有支持，让团队把更多时间用在分析失败原因、改进模型上。
RoboColiseum新赛季已开启
等你的模型来挑战
八大模型已经踏入RoboColiseum具身角斗场。本轮评测揭示，灵巧控制、精细操作与跨本体迁移仍有明显提升空间。这些尚未解决的难题，也为后来者留下了超越它们的机会。
四条新赛道、50个任务已经开放挑战。我们邀请策略模型和Agent系统的研发团队，带着自己的模型进入RoboColiseum向八大模型发起挑战。下一个超越它们的，可能就是你的模型。
新赛季的挑战已经开启，RoboColiseum的评测体系还将继续拓展。
进入RoboColiseum具身角斗场，参与评测，发起挑战!
RoboColiseum：https://robocoliseum.ai/
Techreport：https://robocoliseum.ai/techreport
编辑：元宇
