X2Real发布：自变量竞逐具身RSI

10月19日，自变量机器人（以下简称“自变量”）正式发布X2Real——一套面向具身模型的“可进化仿真评测基准”，旨在通过高保真仿真手段，可信地预测模型在真实物理世界中的性能表现。

数据显示，在五项通用操作任务中，X2Real仿真评测与真机评测的任务成功率相关系数达0.96，任务进度分相关系数高达0.99。这一结果表明，仿真评分与真机表现的线性偏差已收缩至支持研发决策的范围，标志着仿真测试从单纯的训练辅助工具，升级为具备“性能标尺”效力的核心评估手段。

具身智能模型的能力不仅依赖于视觉理解与任务规划，更受限于运动控制及物理交互能力。尽管真机测试能直接反映实际表现，但其高昂的成本和缓慢的反馈周期限制了迭代效率，仿真测试因此成为重要补充。

然而，传统仿真基准常受限于视觉、物理参数及控制特性的差异，导致“虚实偏差”，使得高分仿真结果无法准确映射真机表现。此外，任务分布狭窄及训练测试管线交叠等问题，也让“刷榜”现象频发，削弱了评测的真实性。

针对上述痛点，自变量X2Real确立了三大核心原则：

可信性（Faithfulness）：确保仿真环境在视觉与物理属性上与真实硬件高度对齐；

有效性（Effectiveness）：构建涵盖10个能力维度、44项分层长程任务的分类体系，将评测范围从单一的抓取放置扩展至视觉定位、语言理解及双臂协同等复合能力；

客观性（Fairness）：通过严格隔离训练与评测管线，并引入自动化诊断流程，彻底阻断基准被策略性“利用”的可能。

X2Real的另一大创新在于引入智能体参与任务生成与失败分析。其配套的Mana仿真生态基于英伟达Isaac Lab-A构建，能够灵活组合场景、机器人形态及任务步骤，并对模型执行过程进行深度解析。系统不仅记录任务最终结果，更能依据子任务完成度、物体姿态等数据精准定位失败环节，为后续优化提供明确依据。

自变量将X2Real定义为“伴随模型成长不断进化”的评测体系。这意味着评测基准不再是静态的一次性考卷，而是具备随模型能力升级而动态调整任务难度与诊断粒度的演进能力。

这种自动化评测与诊断机制，与人工智能领域的自我递归改进（RSI）理念高度契合。RSB旨在让AI通过改进自身代码、架构或工具使用能力，利用这些提升推动后续的进一步优化。在具身智能场景中，由于真机试错成本高昂，若失败轨迹无法有效回流转化为训练信号，即便部署规模再大也难以实现能力的快速跃升。X2Real通过构建这一闭环，为解决具身智能的规模化演进提供了关键路径。