软件先容

998游戏官方使用指南

第一步：导入文件

翻开软件，，，点击"?添加 998游戏官方"按钮，，，从电脑中选择《998游戏官方》文件，，，或直接将其拖拽至软件界面中。。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。

第三步：最先下载

确认无误后，，，点击"最先下载/处理"按钮。。。期待进度条读取完毕，，，即可在设定的文件夹中审查下载好的正版文件。。。

人均第一，，，具身智能榜单能信吗？？
？？？？，，，998游戏官方

刷题、话术包装、资源置换。。。

定焦One（dingjiaoone）原创

作者 | 王璐

编辑 | 魏佳

具身智能赛道一连吸引资源眼光的同时，，，种种相关榜单也越来越多。。。当“第一”险些成为各家标配时，，，榜单尚有可信度吗？？
？？？？

一个多月前，，，千寻智能就履历了尴尬时刻。。。6月初，，，其具身基座模子Spirit v1.6在RoboArena榜单上以1918分的效果凌驾了英伟达Cosmos3的1880分，，，一度位居“天下第一”；；；；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麋集融资，，，总额靠近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险些从越日就最先升温。。。有视察者指出，，，在310次评测纪录中，，，有72%的分数来自两个账号。。。更值得关注的是，，，RoboArena官方随后宣布声明，，，经回溯视察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。。。

但这一事务并未浇灭玩家们的热情，，，掀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……险些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。。。

这一情形或许不难明确，，，具身智能现在手艺蹊径还没统一、真机乐成率大多卡在五六成，，，外界想判断一家公司究竟行不可，，，很洪流平上只能依赖榜单。。。浚
？？？？傻狈竦募扔懈咝！⒒挂灿忻教，，，各家标准各不相同、有的还牵涉商单和利益关系时，，，榜单自己还能不可当尺子用，，，就成了一个问题。。。

一位关注具身赛道的投资人坦言，，，榜单更偏市场行为，，，最多算投资决议的一个参考，，，他关于千寻这件事并不受惊。。。在他看来，，，真正在意名次的，，，往往不是以财务或手艺为出发点的机构，，，而是一些地方指导基金或偏国资的资金，，，一个“第一”，，，可能正是他们“写在报告里一个较量好的入口”。。。但也有投资人持差别看法，，，他们以为在手艺门槛高、信息差池称的早期赛道，，，榜单至少提供了一个横向较量的起点。。。

当“第一”的数目比认真做机械人的公司还多时，，，这些榜单究竟是在测手艺，，，照旧在测讲故事的能力？？
？？？？哪些榜单还值得看？？
？？？？

01.手艺蹊径还没统一，，，祖先手一个“第一”

我们先来盘一盘现在市面上的榜单，，，建设一个大致印象。。。据不完全统计，，，现在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。。。

VLA操作综合榜，，，考察机械人能不可真干活，，，跑的是使命乐成率，，，代表榜单是RoboChallenge Table30、MolmoSpaces；；；；

天下模子榜，，，考的是脑内推演对差池，，，考察模子对物理天下的推演，，，不考机械人手脚利倒运索，，，代表是World Arena和WorldModelBench；；；；

专项基准榜，，，考察“极端情形下会不会露馅”，，，针对单点极端能力，，，好比双臂协同、仿真到真机迁徙，，，代表是RoboTwin 2.0、SimplerEnv、LIBERO 和 CALVIN。。。它的价值在于，，，在综合榜照不到的极端场景里，，，把模子的短板逼出来。。。

需要说明的是，，，这三类榜单各有着重、互不替换。。。真机榜测执行、天下模子榜测推演、专项榜测界线，，，没有任何一个能笼罩具身智能的所有能力。。。

有了这层坐标，，，近半年具身基座模子的战报就能对号入座。。。若是把近两个月具身基座模子的战报汇总，，，可以获得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。。。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。。。险些每一家都是第一，，，并且都有详细榜单排名作背书。。。

而乱象，，，也是从种种榜单最先的。。。

最显着的是，，，榜首像流水席，，，“第一名”替换频仍。。。

RoboChallenge Table30的榜首，，，已往半年里至少换了四次：先是千寻Spirit v1.5以50.33%的乐成率刷新纪录，，，很快又被极佳视界GigaBrain-0.1、美国波士顿动力Atlas、星动纪元Era0先后逾越。。。

这个速率，，，比大语言模子的主流榜单更新快得多。。。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，，，即即是2020年到2022年的高速迭代期，，，GPT-3、PaLM也是以月为换榜周期。。。“当下的具身智能，，，单个模子能霸榜一周就算禁止易。。。”一家头部具身智能公司的从业者米范体现。。。

其将主要原因归结为两点。。。一是物理天下的随机性，，，统一个模子在真机上跑两次，，，乐成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效果，，，而MMLU这类大语言模子榜单是牢靠问题、确定性判分，，，统一模子跑一百次分数险些稳固。。。二是测试使命的果真水平，，，像RoboChallenge的Table30，，，30项使命漫衍是果真的，，，各家可以照着使命专门采数据、微调模子再提交，，，榜首的“保质期”于是被压到了以周计。。。

更让人疑惑的，，，是统一个榜里会同时冒出好几个“第一”。。。

World Arena就是典范，，，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（感知与行动响应）以68.26分排第一，，，跨维DSCFuncWorld在Track2（数据引擎）排第一。。。“第一”分属差别个子榜，，，对外却被统一写成了统一句话。。。

对不熟悉赛道划分的读者来说，，，两家并列的“World Arena第一”的说法险些无法分辨，，，甚至会嫌疑是不是有人在说谎，，，但着实谁都没说错，，，只是不敷准确。。。

尚有一层更模糊的地带是，，，榜单性子混杂，，，“第一”的含金量却被默认成统一档，，，容易爆发误导。。。

一些公司的对外口径里，，，经常；；；嵬绷谐觥澳衬Ｗ釉赗oboChallenge排名第一”，，，和“在某具身智能媒体的测评中也位居第一”。。。前者是7×24小时真机跑出来的乐成率，，，后者可能只是编辑部闭门讨论、甚至商务相助敲定的名单，，，两者被并排放进一句话，，，含金量却被默认成了统一档。。。

其中最模糊的是“工业榜”，，，有些榜单顶着“工业”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。。。类似情形也在大语言模子圈泛起过，，，但随着学术榜、商业测评、媒体榜逐渐分层，，，“双料第一”才逐步被拆掉，，，而具身智能，，，眼下正处在谁人尚未分层的阶段。。。

三种征象叠加，，，效果就是榜单“第一”严重通货膨胀。。。并且这种通胀不但停留在营销层面，，，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，，，怎样把第一造出来，，，也形成了“潜规则”。。。业内人士先容，，，虽然千寻Spirit v1.6属于极端个例，，，但行业里造“第一”的征象并不少，，，手法大致有三种。。。

本钱最低、也最普遍的一种方式是话术包装，，，“单科第一”成了“总分第一”，，，焦点是省掉要害限制词。。。

好比现实拿的是“RoboTwin 2.0双臂协同VLA类Clean档第一”，，，对外就酿成“登顶RoboTwin 2.0”；；；；现实是“LIBERO-Plus场景泛化专项第一”，，，对外就成了“LIBERO-Plus榜首”。。。数据没造假、效果也是真的，，，但“第一”所指代的规模被人为放大了。。。

第二种方式是使用“刷题”等方式直接干预效果。。。

一条是“照着考题练”。。。榜单果真的使命漫衍、评分标准、情形参数，，，都可以拿来做定向后训练，，，在一些使命相对牢靠的榜上尤其显着，，，各家可以通过重复“刷题”、过拟合到特定场景换来高分。。。

米范体现，，，具身领域的部分榜单的测试使命是果真的，，，各家可以针对这些使命专门收罗数据、微调模子后再提交，，，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”有实质区别。。。

另一条是钻评测机制的误差。。。有些榜权威性很高，，，机制却有空子可钻。。。好比RoboArena接纳开放注册、漫衍式评测，，，本意是让更多人加入，，，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，，，短期内大宗新账号集中评测统一个模子，，，就能把它的Elo分数快速推高；；；；

二是匹配不强制全笼罩，，，随机分配敌手不即是必需跟同期在榜者都打一轮，，，评测者领使命时，，，A 是牢靠的，，，B 是从分数相近的模子里随机抽，，，样本不敷大时两个模子完全可能一次都排不上。。。好比Spiritv1.6早期与DreamZero交手，，，23场后息兵，，，与5月30日入榜的英伟达Cosmos3-Nano-Policy为零对战；；；；

三是集中刷评，，，用多个账号麋集评测自家模子，，，把负面纪录降低。。。好比Spirit v1.6的310次评测纪录中，，，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，，，直接让从业者爆发嫌疑。。。

事后，，，RoboArena补了规则：评测者必需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。。。

尚有一种方式最隐藏也最泛滥，，，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，，，有的爽性与被评工具保存商务相助，，，双方联合发一份“权威报告”，，，把媒体榜和学术benchmark并排包装。。。它不涉及手艺，，，也不涉及数据，，，只涉及预算和关系。。。不止一位从业者体现，，，刷榜、买榜等征象并不少见。。。

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，，，再用赛道偷换掩饰泉源，，，最后用话术对外撒播，，，须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神秘。。。真正的问题在于，，，看透它们需要一定的手艺功底，，，手艺越重大，，，外行越难分辨，，，故事就越容易讲。。。

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，，，由于榜单能刷、能买，，，即便一切合规，，，物理情形的重大性也让数据很难做到百分百准确。。。

更深一层的问题是，，，这个行业现在还没有一把“通用的尺子”。。。

具身智能从业者gashero用“炒鸡蛋”和“拌凉菜”打了一个例如：机械人A善于炒鸡蛋、乐成率90%，，，机械人B善于拌凉菜、乐成率85%，，，但不可就此说A比B强。。。炒鸡蛋磨练抓取和翻锅，，，拌凉菜磨练精准倒料和搅拌，，，两件事手艺差别、难度差别、评价标准也差别。。。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”折算进统一个打分系统里。。。

不过，，，这不代表榜简单无是处。。。从业者普遍以为，，，榜单仍有其参考价值，，，要害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，，，概略同时具备三个特征。。。

一是分项透明，，，不是只甩一个“第一”。。。

岂论综合榜照旧专项榜，，，可信的做法都是把细项逐一拆开。。。以RoboChallenge Table30为例，，，它测的是30项日常使命的综合乐成率，，，可信之处在于，，，不但告诉读者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。。。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，，，模子直接“裸考”；；；；LIBERO-Plus则加了光照突变、配景杂乱、相机角度转变等极端扰动，，，专门防止靠死记硬背拿分。。。它们的配合特点，，，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。。。

更新慢的榜单纷歧定可靠，，，更新快的榜单也纷歧定可刷。。。有些榜更新慢，，，可能由于真机评测本钱极高，，，好比RoboChallenge一次完整评测周期可能要数周，，，30项使命每项跑10次，，，一共300次真机实验，，，7×24小时一连运行，，，这是物理天下的本钱约束。。。而有些榜更新快，，，则是机制设计。。。好比RoboArena接纳了Elo评分系统举行动态排名，，，天天都有新对战数据进来，，，排名自然天天更新。。。这种快自己不是问题，，，它的可信度取决于机制是否严密、误差是否被补上。。。

可是，，，既然圈内都知道榜单有水分，，，为什么各人还在拼命刷？？
？？？？

谜底在于行业当下的阶段。。。

眼下这场“第一”的争取战，，，实质上是资源焦虑的产品。。。今年是具身基座模子麋集迭代的一年，，，早期赛道出货量、营收、订单量都不稳固，，，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，，，例如每年交付几多台、有哪些牢靠客户、是否能盈利。。。到那时间，，，“第一”的通货膨胀会自然消逝，，，榜单也会退回它本该在的位置。。。

或许，，，那些不忙着刷榜、只顾着把机械人送进产线的公司，，，才是行业真正的谜底。。。

*题图由「定焦One」拍摄。。。应受访者要求，，，文中米范为假名。。。