新智元报道
AI正式进军物理世界，语言模型在具身智能领域谁能称王？通用大模型是否会碾压机器人专用策略？近日，GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5及Gemini 4 Argon等全球顶尖多模态大模型齐聚常态化具身智能仿真评测平台RoboColiseum（机器人角斗场），展开实测对决。本次测试不仅揭示了当前顶尖模型的具身能力现状，更暴露了其在物理控制层面的关键短板。
四款顶尖模型实测：Claude夺冠，通用操作仍是短板
本次测试所有模型均接入统一控制框架Agent2Act，在相同任务与指令下进行标准化评估。
Claude综合领跑，呈现“高智商、低动手”特征
综合榜单显示，Claude Opus 5.5以76.28%的总分位居第一，GPT-6 Astra以75.99%紧随其后。在指令跟随和空间理解等认知类任务中，大模型得分显著优于传统机器人专用策略模型。
然而在开门、倾倒、上货等复杂连贯动作的“通用操作”环节，四大顶尖模型表现均不及专用Policy模型Paimon。这表明当前大模型普遍存在“眼高手低”现象：认知与规划能力强，但物理执行能力仍有欠缺。
各模型优势分化，图像质量成共同痛点
除综合实力外，各模型在不同维度表现出差异化优势：
- Claude Opus 5.5：全能型选手，空间理解与通用操作能力领先；
- GPT-6 Astra：指令跟随与抗扰动能力最强；
- GPT-6.1 Sol：性价比突出，Token消耗与性能平衡最佳；
- Gemini 4 Argon：长程任务（如包裹分拣）表现惊艳，抗扰动能力优于Sol。
图像鲁棒性不足是共性缺陷。在引入噪点、遮挡等图像扰动后，所有模型性能均下降，其中Sol降幅最大（-0.77分），Astra次之（-0.32分）。这为真机部署中的视觉稳定性敲响了警钟。
缺乏物理常识与历史记忆，精细操作仍存瓶颈
测试发现，大模型虽能识别物体，却缺乏三维物理常识。例如端锅任务中，模型无法自主采用正确抓握方式，需明确提示“抓住锅柄”才能成功。此外，移除历史记录会导致任务失败率激增：在积木入盒测试中，无历史记忆的Astra在放置阶段反复尝试相同错误动作，成功率从100%降至50%。
尽管GPT-6 Astra已实现跨本体全身协同控制（如移动取物、垃圾投放），但在灵巧手精细操作（叠碗、插网线、取书）上仍频繁失败。即使补充几何信息，也无法完成对准插入等高精度任务。这划定了当前大模型的能力边界：宏观协同可行，微观操控待突破。
RoboColiseum：高保真仿真评测平台破解Sim2Real难题
RoboColiseum作为常态化具身智能仿真评测平台，有效解决了Sim2Real Gap问题。其高保真环境渲染与物理交互逼近真实世界，仿真与实机表现相关性达89.5%，差异小于10%，可作为真机部署前的可靠验证前哨。
多维能力拆解与快速归因分析
平台设有四大能力子榜及78个高保真任务，涵盖：
1. 指令跟随：语义理解与逻辑推理能力；
2. 空间理解：方位感知与精准对齐能力；
3. 扰动适应：光照、背景、镜头干扰下的鲁棒性；
4. 通用操作：多步骤组合动作执行能力。
评测结果不仅提供成功率，还可定位失败环节与动作卡点，实现精准归因。
高效接入与隐私保护机制
开发者最快5分钟完成注册提交，无需上传模型权重，仅需本地部署推理服务并接入标准接口。30分钟内即可获取分项成绩、步骤解析及推演视频。平台已集成主流顶尖模型基准数据，便于横向对比定位自身水平。
构建公平可信的具身智能评测标尺
RoboColiseum旨在打造公开、中立、可复现的具身智能评测体系，为行业提供绝对公平的竞争标尺。通过将OpenAI、Anthropic、谷歌等巨头模型纳入统一测试框架，使开发者能在同等条件下验证自身模型实力，推动具身智能技术从参数竞赛走向实效验证。
编辑：大卫 Aeneas
