人均第一，具身智能榜單能信嗎？

具身智能賽道持續吸引資本目光的同時，各類相關榜單也如雨後春筍般湧現。當「第一」幾乎成為每家公司的標配時，這些榜單究竟還有多少可信度？近期發生的一起事件，讓這個問題變得格外尖銳。 一個多月前，千尋智能面臨了尷尬時刻。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。然而，業內對評測數據的質疑從次日就開始升溫。有觀察者指出，在 310 次評測記錄中，有 72% 的分數來自兩個帳號。更值得關注的是，RoboArena 官方隨後發布聲明，經回溯調查後移除了部分存疑的評測數據，並更新了榜單排名，Spirit v1.6 也隨之從榜單上除名。 這一事件並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裡都攥著一個「第一」，且這些「第一」的維度各不相同。這個現象或許不難理解：具身智能目前技術路線尚未統一，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係時，榜單本身還能不能當尺子用，就成了問題。 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，他對於千尋這件事並不吃驚。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「寫在報告裡一個比較好的入口」。但也有投資人持不同看法，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。 目前市面上的具身智能榜單高達 20 餘個，大致可分成三類。第一類是 VLA 操作綜合榜，考察機器人能不能真幹活，跑的是任務成功率，代表榜單是 RoboChallenge Table30、MolmoSpaces。第二類是世界模型榜，考的是模型對物理世界的推演能力，不考機器人手腳利不利索，代表是 World Arena 和 WorldModelBench。第三類是專項基準榜，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。 有了這層座標，近半年具身基座模型的戰報就能對號入座。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（後被除名），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。 亂象也從各種榜單開始。最明顯的是，榜首像流水席，「第一名」更換頻繁。RoboChallenge Table30 的榜首，過去半年裡至少換了四次：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 先後超越。這個速度比大語言模型的主流榜單更新快得多。一家頭部具身智能公司的從業者米範表示，物理世界的隨機性讓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，而測試任務的公開程度也讓各家可以照著任務專門採數據、微調模型再提交，榜首的「保質期」於是被壓到了以周計。 更讓人迷惑的是，同一個榜裡會同時冒出好幾個「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，智元在 Track1（感知與動作響應）以 68.26 分排第一，跨維在 Track2（數據引擎）排第一。「第一」分屬不同子榜，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，兩家並列的「World Arena 第一」的說法幾乎無法分辨。 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裡，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，後者可能只是編輯部閉門討論、甚至商務合作敲定的名單，兩者被並排放進一句話，含金量卻被默認成了同一檔。 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，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，把「單科第一」說成「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」。第二種方式是利用「刷題」直接干預結果。榜單公開的任務分佈、評分標準、環境參數，都可以拿來做定向後訓練，在一些任務相對固定的榜上尤其明顯。另一條是鑽評測機制的漏洞，例如 RoboArena 採用開放註冊、分佈式評測，短期內大量新帳號集中評測同一個模型，就能把它的 Elo 分數快速推高。第三種方式最隱蔽也最氾濫，是資源置換，把榜單直接做成生意。不少媒體榜評選標準並不透明，有的乾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 並排包裝。 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，物理環境的複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」。從業者 gashero 用「炒雞蛋」和「拌涼菜」打比方：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，因為兩件事技能不同、難度不同、評價標準也不同。 不過，這不代表榜單一無是處。從業者普遍認為，真正可信的榜單大體同時具備三個特徵。一是分項透明，不是只甩一個「第一」。以 RoboChallenge Table30 為例，它不僅告訴讀者 64.33% 這個綜合數字，還讓讀者看到 30 項裡哪幾項做得好、哪幾項掉鏈子。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。三是看評測機制，而不是看更新頻率。有些榜更新慢是因為真機評測成本極高，比如 RoboChallenge 一次完整評測週期可能要數週；有些榜更新快則是機制設計，如 RoboArena 採用 Elo 評分系統進行動態排名，可信度取決於機制是否嚴密。 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到每年交付多少臺、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。