新智元报道

如今，AI正式杀入物理世界！

在具身能力方面，语言模型到底谁能称王？

更残酷的问题是，机器人公司耗费数年苦练的本领，会被通用LLM直接碾压吗？

就在今天，GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5 以及 Gemini 4 Argon等全球最顶尖的多模态大模型齐聚一堂。

在常态化具身智能仿真评测平台RoboColiseum（机器人角斗场）上，它们展开了一场真刀真枪的「肉搏战」。

这份榜单不仅彻底炒热了具身智能圈，更无情地揭露了当前顶尖大模型在控制机器人时的「隐藏命门」！

揭榜时刻：四模型大乱斗，结果令人意外

本次测试，所有的顶尖模型都接入了统一的控制框架Agent2Act，在同样的任务、同样的指令下接受大考。

Claude 摘得桂冠，「高智商、低动手」成通病

在综合榜单中，Claude Opus 5.5 爆冷击败 GPT-6 Astra，以 76.28% 的总分拿下四款大模型中的第一。GPT-6 Astra 以 75.99% 紧随其后。

最令人兴奋的是，在「指令跟随」和「空间理解」这两个极其考验「脑力」的赛道上，大模型的得分碾压了传统的机器人专用策略模型。

但是！一到了「通用操作」环节（比如开门、倾倒、上货等需要复杂动作的任务），四大顶尖模型全军覆没，统统落后于专用 Policy 模型Paimon。

结论：现在的顶尖大模型是典型的「眼高手低」——脑子转得极快，空间方位算得极准，但一让它做复杂的连贯物理动作，立马手忙脚乱。

各有所长，不看总分看「绝活」

这场角斗并不是单维度的碾压，四个模型各有千秋：

Claude Opus 5.5堪称全能王者，空间理解和通用操作能力领跑全场。

GPT-6 Astra是听话小能手，在「指令跟随」和「扰动抵抗」上稳居第一。

而GPT-6.1 Sol是性价比之王！在参考价格和 Token 消耗下，它展现出了极佳的成本控制，是落地应用的高性价比之选。

Gemini 4 Argon虽然总分垫底，但它的「抗扰动」能力出人意料地超越了 Sol，且在「包裹分拣」这种长程任务上表现极其惊艳。

大模型的「阿喀琉斯之踵」——看图怕糊

如果机器人的摄像头稍微有点噪点，或者光线不太好怎么办？测试结果让人捏了一把汗：图像质量变差，是所有大模型共同的致命弱点！

在加入噪点、镜头遮挡等图像质量扰动后：

Claude 分数下降 0.20

Gemini 下降 0.26

Astra 下降 0.32

Sol 直接暴跌0.77分！

也就是说，加点马赛克，AI 就直接「双目失明」。这给未来的真机部署敲响了巨大的警钟。

「认识」不等于「会用」

测试中出现了一个非常经典的画面（端锅任务）：大模型明明认出了那是一口锅，但它抓取的方式极其别扭，简直像在拿一个烫手的山芋。

但如果我们给它加上一条明确的交互提示（比如「请抓住锅柄」），它立刻就能完美地双手稳稳端起。

双臂端锅失败｜双臂端锅成功

这说明大模型缺乏人类的「物理常识」。它能在二维图片里圈出「这是锅」，却不知道在三维现实中，锅必须端着两边才稳。

去掉历史记录，AI失败率暴增

研究团队做了一组「剥夺实验」：分别撤掉反馈、深度信息、抓手说明、历史记录等配置，看看机器人还能不能完成任务，又要多折腾多久。

拿掉动作偏差反馈，它就更难做出正确判断，指令跟随成功率从90%降到80%，平均规划决策从16.7次增至35.6次，耗时从32.50分钟涨到58.26分钟。

一次动作没做好，后面可能要花更多时间补救。

拿掉深度信息，成功率降到80%，平均下发控制步数增加到158.2步。不过，平均耗时反而缩短了。

取消相机投影自检后，机器人开始反复抓取和物体脱手

不告诉它抓手的形状和接触方式，它可能连「手该怎么摆」都反复试不明白。

最直观的一组，是拿掉历史记录。

在单独测试的4种「把积木放进盒子」布局中，完整系统全部成功；没有历史记录后，只成功了2种。

失败的两次都已经把积木拿起来，却在放置阶段反复尝试相同动作，堪称「鬼打墙」！

积木入孔：去掉历史记录，Astra能抓取积木但放置失败

物体拿到手了，任务却卡在了后半程。

这证明了深度视觉、动作反馈和历史记忆等，是具身智能闭环中不可或缺的灵魂。

打破桌面限制，走向全场景

以往的机器人测试往往局限在桌面上抓抓放放，但这次的报告展示了 GPT-6 Astra 更广阔的潜力：

它能协调底盘、躯干和机械臂去扔垃圾、开门；能在家居场景里跨房间去厨房拿一罐雪碧放到餐桌上。

全身控制：Astra完成垃圾拾取与投放|Astra移动取罐、携物行进与餐桌放置

更牛的是，它能通过同一套系统，无缝控制 ARX、AgileX、G1、G2 等形态各异的机器人！

棋子收纳：Astra在4种本体上均可完成

语言模型通吃具身智能？灵巧手和精细任务仍是明显短板

GPT-6 Astra竟然这么强，是不是说语言大模型可以通吃具身智能？

测试发现，并不能。

大模型能搞得定躯干的「大开大合」，却搞不定指尖的「穿针引线」。

一旦面对需要「灵巧手」操作的精细活——比如让它叠碗，或者从塞满的书架上取出一本书，强如 GPT-6 Astra 也会立马「歇菜」，手忙脚乱，屡战屡败。

灵巧手叠碗：Astra能够接近、接触，但是尝试抓取失败｜灵巧手取书：Astra多次调整抓取姿态，仍取书失败

即使进一步补充手指、手掌的几何信息，机器人仍未成功端起一只碗。

而对手机充电和插网线这类精细任务，对GPT-6 Astra而言依旧艰难，能拿起手机和网线，却对不准插口方向。

手机充电：Astra抓取成功，但充电口方向错误无法接入｜插网线：Astra能够夹起网线，但无法完成插入

这组实验画出了 Astra 这类大模型的能力边界。

它已在全身协同和跨本体操作中表现突出，但灵巧手任务和精细操作仍有待突破。

而这些难住大语言模型的细活，恰恰是专用策略模型胜出的机会。

细节决定胜负，机会留给早有准备的人。

什么是 RoboColiseum？对齐真实世界的「度量衡」

看完这场神仙打架，你一定会好奇：究竟是什么样的一个平台，能把这些心高气傲的全球顶尖大模型拉到同一条起跑线上，并且测出这么详尽、直击痛点的数据？

这就是我们今天隆重介绍的——常态化具身智能仿真评测平台 RoboColiseum！

在具身智能圈，一直有一个巨大的痛点：Sim2Real Gap（仿真到现实的鸿沟）。

很多模型在电脑模拟器里猛如虎，一放到真实物理世界里的机器人身上，遇到点光照变化、相机噪点，立马手忙脚乱、现出原形。测试成本极高，周期极长。

RoboColiseum 彻底打破了这一魔咒！

它基于高保真仿真环境构建，渲染和物理交互极限逼近真实世界。经过严苛测试，其仿真评测与实机部署的相关性高达 89.5%！相同模型在仿真与现实中的表现差异小于 10%。

这意味，虚拟即现实！

开发者完全可以把它当成真实世界的「可靠前哨站」。在花大价钱买真机、花几个月做调试之前，先在 RoboColiseum 里跑一圈，快速筛掉不靠谱的模型，精准定位能力短板。

精准归因你的「弱点」

只给一个干巴巴的「成功率」有什么用？RoboColiseum 推出了四大能力子榜、78个高保真任务：

1.指令跟随：懂不懂人话？能不能分清红绿、大小、逻辑常识？

2.空间理解：会不会排队？懂不懂上下左右和精准对齐？

3.扰动适应：换个背景、调暗灯光、弄花镜头，你还能不能行？

5.通用操作：开门、倒水、上货、双臂协同，组合拳打得怎么样？

不仅如此，评测哪怕失败了，平台也会告诉你：在哪一步摔倒的？动作卡在哪里？彻底告别「盲盒式」炼丹！

AI Agent 一键提交，30 分钟出成绩

搞环境配置太折磨人？算力成本太高？

在 RoboColiseum，这些统统不是问题。开发者最快5分钟即可完成注册与提交。

无需上传模型代码和核心权重（保护你的商业机密），只需本地部署推理服务并接入标准接口，最快30 分钟，一份极其详尽的分项成绩、任务步骤解析甚至模型推演视频就会送到你面前！

平台已经有了GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5 和 Gemini 4 Argon等全球最顶尖的多模态大模型的评测结果，直接拿来做对比，自己究竟处在行业什么身位，一目了然。

来角斗场，和AI三巨头正面交锋

Coliseum，指的是古罗马圆形竞技场，这是一个公开、中立、不论出身、用实力说话的终极试炼场。

RoboColiseum 的诞生，正是为了给全球具身智能赛道提供一把绝对公平、结果可信、过程可复现的标尺。

这里是全球唯一一个，能将OpenAI、Anthropic、谷歌三巨头拉下神坛的终极试炼场。

在 RoboColiseum 之前，你只能在爱游戏·体育-爱游戏（中国）里仰望 GPT-6 Astra、Claude Opus 5.5和 Gemini 4 Argon的恐怖参数；但在这里，它们只是你在榜单上需要逐一击溃的「假想敌」。

只需 30 分钟，一键接入高保真虚拟世界，你的模型就能直接与这个时代最伟大的 AI 展开同维度的巅峰对决！

打败魔法的只有魔法，碾压大厂的唯有实力！

我们期待在万众瞩目的榜首，见证你亲手终结「三巨头」的统治！

进入 RoboColiseum 具身角斗场，参与评测，发起挑战。

RoboColiseum: //robocoliseum.ai/

Techreport: //robocoliseum.ai/techreport

编辑：大卫 Aeneas