中国日报2月4日电（记者 马思）当大语言模型在数字世界不断刷新人类认知边界，一场关于 AI 如何“扎根”现实物理世界的革命正悄然进行。全球首个具身智能大规模真机评测平台—— RoboChallenge 近日正式发布首份年度报告。报告基于过去数月内（2025 Q4～2026 Q1）平台完成的数万次严苛远程真机测试，以大规模、标准化、可复现的数据，客观揭示了当前视觉-语言-动作模型在真实物理环境中的能力边界与共性挑战。

近年来，大语言模型与视觉语言模型取得了爆发式突破，人工智能在感知、认知与推理层面展现出惊人潜力。然而，将这种能力可靠地赋予机器人，使其在复杂多变的物理世界中理解、决策并执行任务，仍是横亘在研究者面前的巨大挑战。真机测试长期面临难以复现、缺乏统一标准、成本高昂等核心痛点，导致模型评估往往停留在仿真环境或有限场景，其“现实世界智能”成色几何，始终难以量化评判。RoboChallenge正是为破解这一行业共性难题而生。

据悉，作为由原力灵机与 Hugging Face 联合发起的全球首个具身智能大规模真机评测平台，RoboChallenge致力于构建一个开放、公正、可大规模复现的“真实考场”。自 2025 年 10 月 15 日正式上线以来，平台已成功部署了包含 UR5、Franka Panda、ARX5、ALOHA 等四大主流机型在内的 20 台真机集群，构筑起一个稳定、多元的远程物理测试网络。

为推动真机评测走向规范化、标准化，2025 年 11 月 20 日，原力灵机与 Hugging Face 深度集结智源研究院、智元机器人、Qwen、星海图、自变量、清华大学、西安交通大学及 GOSIM，共同成立了 RoboChallenge 组委会。

基于对海量真机测试数据的深度分析，RoboChallenge 年度报告揭示了以下核心发现与亮点观察：基础任务趋近成熟，“叠碗”和“物体移入盒子”两项任务因其相对较高的成功率，成为多数模型首选的验证性任务，类似具身智能的入门“考题”。复杂任务依然“屹立不倒”：涉及多步骤序列决策、长期规划及精细灵巧操作的任务，如“整理纸杯”、“制作三明治”等，

此外，报告指出，对当前所有参测模型而言仍极具挑战，成功率长期处于低位，部分甚至接近零。当前在 Table30 评测集上表现最佳的模型，其整体成功率也仅在 50% 左右。这既体现了现有模型的进步，也充分说明了 Table30 任务集设计的挑战性与现实价值，表明具身智能在通用能力上仍有巨大提升空间。

同时，实测数据显示，参测模型虽具备较强的指令语义理解能力（呈现移动趋势），但在精细操作任务中成功率不足 15%。这种现象在 RoboChallenge 平台上沉淀了大量真机失败数据，这份公开的“错题集”可作为模型迭代优化的关键参考。

RoboChallenge 标为，未来将持续迭代，引入更多机器人本体类型，拓展至更多元化、更贴近真实工业与家庭需求的场景评测集，并设计更具挑战性的任务。平台还将探索分布式真机评测机制，进一步扩大测试规模与效率。