圆月弯刀

人均第一，具身智能榜单能信吗？_我的网站

A |     每年的10月20日是世界骨质疏松日，2024年世界骨质疏松日的中国主题为“管体重、强骨骼”，倡议社会各界传播科学管理体重、强健骨骼的理念，以预防骨质疏松症和脆性骨折的发生。         　　01、体重与骨骼健康的关系          　　体重是影响人体代谢和骨骼健康的重要因素，在生命的各个阶段都会影响骨骼健康。    刷题、话术包装、资源置换。         定焦One（dingjiaoone）原创          作者 | 王璐          编辑 | 魏佳          具身智能赛道持续吸引资本目光的同时，各类相关榜单也越来越多。

B | 低体重是骨质疏松和脆性骨折的重要危险因素。人体在健康体重或体重适度增加时，体重与骨密度呈正相关。当“第一”几乎成为各家标配时，榜单还有可信度吗？          一个多月前，千寻智能就经历了尴尬时刻。但体内脂肪含量过高时会导致骨转换失衡，使成骨细胞活性减低，破骨细胞活性增加，从而导致骨丢失加快，增加骨质疏松风险。6月初，其具身基座模型Spirit v1.6在RoboArena榜单上以1918分的成绩超过了英伟达Cosmos3的1880分，一度位居“世界第一”；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密集融资，总额接近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几乎从次日就开始升温。有观察者指出，在310次评测记录中，有72%的分数来自两个账号。更值得关注的是，RoboArena官方随后发布声明，经回溯调查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。         但这一事件并未浇灭玩家们的热情，翻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……几乎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。

C |          这一景象或许不难理解，具身智能目前技术路线还没统一、真机成功率大多卡在五六成，外界想判断一家公司到底行不行，很大程度上只能依赖榜单。可当发榜的既有高校、机构也有媒体，各家标准各不相同、有的还牵扯商单和利益关系时，榜单本身还能不能当尺子用，就成了一个问题。

D |          　　在日常生活中如何同时做好体重管理和骨质疏松的预防呢？          　　这个问题并不难，答案就是积极践行健康生活方式！          　　02、践行健康生活方式 预防骨质疏松          　　1做好体重管理          　　合理饮食          　　保持均衡膳食，确保摄入足够的营养成分，避免过度摄入高热量、高脂肪、高糖的食物。         一位关注具身赛道的投资人坦言，榜单更偏市场行为，最多算投资决策的一个参考，他对于千寻这件事并不吃惊。

E | 在他看来，真正在意名次的，往往不是以财务或技术为出发点的机构，而是一些地方引导基金或偏国资的资金，一个“第一”，可能正是他们“写在报告里一个比较好的入口”。但也有投资人持不同看法，他们认为在技术门槛高、信息不对称的早期赛道，榜单至少提供了一个横向比较的起点。         当“第一”的数量比认真做机器人的公司还多时，这些榜单到底是在测技术，还是在测讲故事的能力？哪些榜单还值得看？          01.技术路线还没统一，先人手一个“第一”          我们先来盘一盘目前市面上的榜单，建立一个大致印象。对于低体重者，可适当增加能量摄入，包括富含优质蛋白质、碳水化合物的食物；对于超重和肥胖者，则要控制热量摄入。注意控制食物的份量，避免暴饮暴食。         　　保证身体活动          　　选择适合自己身体状况的运动方式，如散步、慢跑、游泳、瑜伽等。据不完全统计，目前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。

F |          VLA操作综合榜，考察机器人能不能真干活，跑的是任务成功率，代表榜单是RoboChallenge Table30、MolmoSpaces；          世界模型榜，考的是脑内推演对不对，考察模型对物理世界的推演，不考机器人手脚利不利索，代表是World Arena和WorldModelBench；          专项基准榜，考察“极端情况下会不会露馅”，针对单点极端能力，比如双臂协同、仿真到真机迁移，代表是RoboTwin 2.0、SimplerEnv、LIBERO 和 CALVIN。坚持规律运动，每周至少进行150分钟的中等强度有氧运动，也可结合力量训练，如举哑铃、俯卧撑等，增加肌肉量，提高基础代谢率，助力体重管理。

G |          　　定期监测          　　定期测量体重、腰围、体脂率等，了解体重变化趋势和身体脂肪、肌肉等成分的比例。根据监测结果调整饮食和运动计划，确保体重管理的有效性和健康性。它的价值在于，在综合榜照不到的极端场景里，把模型的短板逼出来。         需要说明的是，这三类榜单各有侧重、互不替代。

H |          　　2确保营养摄入          　　钙和维生素D是维持骨骼健康的重要元素，老年骨质疏松症患者普遍存在钙与维生素D不足或缺乏。真机榜测执行、世界模型榜测推演、专项榜测边界，没有任何一个能覆盖具身智能的全部能力。         有了这层坐标，近半年具身基座模型的战报就能对号入座。如果把近两个月具身基座模型的战报汇总，可以得到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。钙的来源包括食物如奶类及其制品、大豆类及其制品、水产类、坚果、深绿色蔬菜等，也可根据医生建议适当补充钙剂。         　　《中国居民膳食指南（2022）》建议老年人（＞65岁）每日钙的摄入量为1000mg。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。《原发性骨质疏松症诊疗指南（2022）》建议50岁以上中老年人每日元素钙摄入量为1000~1200mg。几乎每一家都是第一，而且都有具体榜单排名作背书。然而，中国人群日常饮食中的钙含量通常偏低，《中国老年骨质疏松症诊疗指南（2023）》建议老年骨质疏松症患者可通过饮用牛奶或补充钙剂来增加钙摄入量，使钙总摄入量达800~1200mg/d。         而乱象，也是从各种榜单开始的。         最明显的是，榜首像流水席，“第一名”更换频繁。         RoboChallenge Table30的榜首，过去半年里至少换了四次：先是千寻Spirit v1.5以50.33%的成功率刷新纪录，很快又被极佳视界GigaBrain-0.1、美国波士顿动力Atlas、星动纪元Era0先后超越。         　　除了食物和药物补充，多晒太阳可促进皮肤内生维生素D的形成，进而促进肠道内的钙吸收。         这个速度，比大语言模型的主流榜单更新快得多。此外，蛋白质是骨骼生长和修复的重要原料，优质蛋白质来源包括奶、蛋、禽类以及其他肉类。         　　03、重视肌肉力量和平衡能力练习          　　通过合理的营养和增强抗阻、力量锻炼可以促进骨骼强健，与体重或体质指数相比，肌肉量与骨密度的相关性更强。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，即便是2020年到2022年的高速迭代期，GPT-3、PaLM也是以月为换榜周期。国际骨质疏松基金会发布的最新信息显示，对骨骼健康最有益的运动类型是负重运动和力量训练，比如举、推、跑、跳以及“登台阶”等方式，可使骨骼更加强健。         　　平衡能力锻炼对于关节健康以及避免运动受伤有重要作用，是一种锻炼身体平衡能力的运动，由视觉监督练习逐渐过渡到闭目练习。“当下的具身智能，单个模型能霸榜一周就算不容易。”一家头部具身智能公司的从业者米范表示。

I |          其将主要原因归结为两点。推荐的动作包括单腿站立、平衡垫双脚站立、平衡垫单脚站立等。

J | 平衡能力练习对于老年人预防跌倒防骨折尤其重要。

K |          　　骨骼健康问题不是老年人的专利，每个年龄段人群都要“强肌健骨增力量”，保持骨骼健康！          　　最后，大家可以一起回顾下全民健康生活方式行动推出的健康骨骼核心信息，强化理解~          　　营养、运动、晒太阳，有利于促进或保持骨量；          　　科学运动防损伤，爱护全身骨骼和关节，保持持续行动力；          　　儿童青少年端正身姿和体态，少久坐多锻炼；          　　40岁以上人群应检测和了解自身骨密度，预防骨质疏松症；          　　老年人应重视力量和平衡能力练习，预防跌倒防骨折。

L |                     责任编辑：李丹。一是物理世界的随机性，同一个模型在真机上跑两次，成功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结果，而MMLU这类大语言模型榜单是固定题目、确定性判分，同一模型跑一百次分数几乎不变。二是测试任务的公开程度，像RoboChallenge的Table30，30项任务分布是公开的，各家可以照着任务专门采数据、微调模型再提交，榜首的“保质期”于是被压到了以周计。         更让人迷惑的，是同一个榜里会同时冒出好几个“第一”。         World Arena就是典型，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（感知与动作响应）以68.26分排第一，跨维DSCFuncWorld在Track2（数据引擎）排第一。

M | “第一”分属不同个子榜，对外却被统一写成了同一句话。         对不熟悉赛道划分的读者来说，两家并列的“World Arena第一”的说法几乎无法分辨，甚至会怀疑是不是有人在撒谎，但其实谁都没说错，只是不够精确。         还有一层更模糊的地带是，榜单性质混杂，“第一”的含金量却被默认成同一档，容易产生误导。         一些公司的对外口径里，经常会同时列出“某模型在RoboChallenge排名第一”，和“在某具身智能媒体的测评中也位居第一”。

N | 前者是7×24小时真机跑出来的成功率，后者可能只是编辑部闭门讨论、甚至商务合作敲定的名单，两者被并排放进一句话，含金量却被默认成了同一档。         其中最模糊的是“产业榜”，有些榜单顶着“产业”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。类似情况也在大语言模型圈出现过，但随着学术榜、商业测评、媒体榜逐渐分层，“双料第一”才慢慢被拆掉，而具身智能，眼下正处在那个尚未分层的阶段。

o |          三种现象叠加，结果就是榜单“第一”严重通货膨胀。而且这种通胀不只停留在营销层面，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，如何把第一造出来，也形成了“潜规则”。业内人士介绍，虽然千寻Spirit v1.6属于极端个例，但行业里造“第一”的现象并不少，手法大致有三种。         成本最低、也最普遍的一种方式是话术包装，“单科第一”成了“总分第一”，核心是省掉关键限定词。         比如实际拿的是“RoboTwin 2.0双臂协同VLA类Clean档第一”，对外就变成“登顶RoboTwin 2.0”；实际是“LIBERO-Plus场景泛化专项第一”，对外就成了“LIBERO-Plus榜首”。

p | 数据没造假、成绩也是真的，但“第一”所指代的范围被人为放大了。         第二种方式是利用“刷题”等方式直接干预结果。         一条是“照着考题练”。榜单公开的任务分布、评分标准、环境参数，都可以拿来做定向后训练，在一些任务相对固定的榜上尤其明显，各家可以通过反复“刷题”、过拟合到特定场景换来高分。         米范表示，具身领域的部分榜单的测试任务是公开的，各家可以针对这些任务专门采集数据、微调模型后再提交，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”有本质区别。         另一条是钻评测机制的漏洞。

q | 有些榜权威性很高，机制却有空子可钻。比如RoboArena采用开放注册、分布式评测，本意是让更多人参与，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，短期内大量新账号集中评测同一个模型，就能把它的Elo分数快速推高；          二是匹配不强制全覆盖，随机分配对手不等于必须跟同期在榜者都打一轮，评测者领任务时，A 是固定的，B 是从分数相近的模型里随机抽，样本不够大时两个模型完全可能一次都排不上。比如Spiritv1.6早期与DreamZero交手，23场后停战，与5月30日入榜的英伟达Cosmos3-Nano-Policy为零对战；          三是集中刷评，用多个账号密集评测自家模型，把负面记录降低。比如Spirit v1.6的310次评测记录中，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，直接让从业者产生怀疑。

r |          事后，RoboArena补了规则：评测者必须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。         还有一种方式最隐蔽也最泛滥，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，有的干脆与被评对象存在商务合作，双方联合发一份“权威报告”，把媒体榜和学术benchmark并排包装。它不涉及技术，也不涉及数据，只涉及预算和关系。不止一位从业者表示，刷榜、买榜等现象并不少见。         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，再用赛道偷换掩盖来源，最后用话术对外传播，必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秘密。真正的问题在于，看穿它们需要一定的技术功底，技术越复杂，外行越难分辨，故事就越容易讲。

s |          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，因为榜单能刷、能买，即便一切合规，物理环境的复杂性也让数据很难做到百分百准确。         更深一层的问题是，这个行业目前还没有一把“通用的尺子”。         具身智能从业者gashero用“炒鸡蛋”和“拌凉菜”打了一个比方：机器人A擅长炒鸡蛋、成功率90%，机器人B擅长拌凉菜、成功率85%，但不能就此说A比B强。炒鸡蛋考验抓取和翻锅，拌凉菜考验精准倒料和搅拌，两件事技能不同、难度不同、评价标准也不同。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”折算进同一个打分体系里。         不过，这不代表榜单一无是处。从业者普遍认为，榜单仍有其参考价值，关键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，大体同时具备三个特征。

t |          一是分项透明，不是只甩一个“第一”。         不论综合榜还是专项榜，可信的做法都是把细项一一拆开。以RoboChallenge Table30为例，它测的是30项日常任务的综合成功率，可信之处在于，不仅告诉读者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。

u | 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，模型直接“裸考”；LIBERO-Plus则加了光照突变、背景杂乱、相机角度变化等极端扰动，专门防止靠死记硬背拿分。

v | 它们的共同特点，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。

w |          更新慢的榜单不一定可靠，更新快的榜单也不一定可刷。有些榜更新慢，可能因为真机评测成本极高，比如RoboChallenge一次完整评测周期可能要数周，30项任务每项跑10次，一共300次真机尝试，7×24小时连续运行，这是物理世界的成本约束。

x | 而有些榜更新快，则是机制设计。比如RoboArena采用了Elo评分系统进行动态排名，每天都有新对战数据进来，排名自然每天更新。这种快本身不是问题，它的可信度取决于机制是否严密、漏洞是否被补上。

y |          但是，既然圈内都知道榜单有水分，为什么大家还在拼命刷？          答案在于行业当下的阶段。

z |          眼下这场“第一”的争夺战，本质上是资本焦虑的产物。

| 今年是具身基座模型密集迭代的一年，早期赛道出货量、营收、订单量都不稳定，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，例如每年交付多少台、有哪些固定客户、是否能盈利。到那时候，“第一”的通货膨胀会自然消散，榜单也会退回它本该在的位置。         或许，那些不忙着刷榜、只顾着把机器人送进产线的公司，才是行业真正的答案。

|          *题图由「定焦One」拍摄。应受访者要求，文中米范为化名。

Current article:http://oosx.wengsengzhanhuangu.cyou/emcm/20260826/11823.html

Published on:18:05:20