不对劲！Anthropic 的机器人跑分翻倍到 64.9，但工厂还是不敢用？

一页跑分表里，有个数字此前从没出现在这家公司的成绩单上：RoboDojo 双臂机器人仿真测试，平均成功率 64.9%。

上一代 Fable 5.1 是 27.6%。同一套测试里，OpenAI 的 GPT-6 Astra 是 29.8%。

64.9 是 29.8 的两倍还多。

第二天 A 股就给出了定价。11 月 10 日开盘，人形机器人板块全线走强，宇树科技盘中涨超 12%，股价回到 800 元以上，市值突破 3200 亿，成为 A 股第三高价股。距 10 月中旬的阶段低点，一个月反弹超 85%。

一天之内，这个 64.9% 被标了 3200 亿。

但同一份报告里，还有另一栏。

⏰️与具身智能赛道的一线创业者、投资人深度交流，扫码报名GEIA具身智能与人形机器人创新周【北京站12.9-12.11 】↓

RoboDojo 不是 Anthropic 自己出的题。

这个基准今年 8 月由香港大学、北京大学等全球近 20 所学术机构联合发起，42 个仿真任务、18 个真机任务，五个评分维度：泛化、记忆、精度、长程执行、开放语义。

它考的画面很具体：一台双臂机器人，模型只能从摄像头读环境，要记住前面发生过什么，连续走完一串动作，中途歪了还得自己纠正。

说白了，它考的不是「能不能把一道题做对」，是「给一段连续动作，能不能自己想办法走完」。

这个设计有讲究，也很容易让人误读。

围观的人看到的是：一家做聊天机器人的公司，顺手把机器人控制做到第一梯队，通用智能要通吃物理世界了。

做这行的人该看的，是分子和分母。

首先，这组数字是 Anthropic 自己跑的，用的是各模型最高可用推理强度。它只公布了平均分 64.9，没有公布分维度成绩——泛化多少、精度多少、长程多少，一个都没给。

而 RoboDojo 的五栏里，恰恰是精度和长程最能说明问题。

今年 10 月的公开榜单上，通用模型在「精度」这一栏的成绩是 4%，在「长程执行」这一栏是 8.25%。而专为操作训练的系统，精度这一栏做到了 58.5%，最高的到 76%。

差十几倍。

Anthropic 自己的措辞其实很克制：超过了「大多数」专为控制机器人而建的 AI 系统。

大多数，不是全部。

商汤今年 10 月做过一次体检，测的就是这类模型。

他们联合几所高校和机器人公司，对 GPT-6 Astra 做了 12 项仿真评测、8 个真实机器人平台的测试。仿真成绩漂亮得不像话：长程组合操作基准 100%，人形机器人基准 98.8%，超长程基准 98.9%。

但有个前提：放宽动作步数预算，最多给到标准值的 10 倍。

就这么一味药，RoboDojo 的成功率从 27.6% 跳到 81.9%。

换句话说，这个基准测出来的「成功率」，跟给它多少步、允不允许反复试错，强相关。

不放宽呢？27.6%。

27.6 和 81.9 之间隔着的不是模型能力，是「允许试几次」。

为什么会这样？因为这类模型输出的不是一条指令，是一串动作。每一步都可能偏一点，偏了就得重来。RoboDojo 的规则是中途出错不许重置环境，必须从当前这个物理状态接着往下做。

所以它测的其实是纠错能力。

而精度那一栏测的是另一件事：第一次就把位置、力度、角度给准。

纠错能补上，精度补不上。这就是为什么平均分能翻倍，精度那一栏还是 4%。

这不是说基准做得不对。RoboDojo 本来就把「执行中出错要自己恢复」写进了设计，它要测的就是这个。

但读者得知道：64.9% 不是「一次做对的概率」，是「给够动作预算、允许它边做边改，最后完成的概率」。

这两个数在工厂里是两个世界。

同一份商汤报告里，真机部分是这样的：

刚体抓取放置，18 次成了 17 次。宇树 G1 上做机械臂操作，3 次成 2 次，转身、行走、停止 3 次全成。

看着还行。

然后是叠衣服，碰壁。插插头，多款真机交叉验证 11 次，一次没成。

还有一类失败更麻烦：模型会误判成功。

机器人要把杯子挂到挂钩上，它从头上的摄像头看，觉得杯柄和挂钩重合了，判定完成。换个角度看，杯子根本没挂上，掉在桌面上。模型接着去重抓，又把夹爪闭合误判成已经接触到杯子，后面全错。

它不知道自己动对了没有。

再看另一组，据 36 氪报道，一位叫 Karolina Dubiel 的开发者把 Fable 5.2 直连一台真实机械臂，让它跟人下一局跳棋。

62 步，用了 46.5 分钟，平均每步 45 秒。中间因为桌面反光、棋子位移、夹爪摩擦力不足，出现了 14 次抓取脱落或偏移。

模型的表现其实值得夸：没人改代码，只要输入一句「再试一次」，它就能结合画面回传自己复盘，重算角度再抓。机械臂末端因为负载下垂了 7 毫米，它读了关节传感器的遥测数据，自己补了一个偏量。

但45 秒一步，这个数字比任何跑分都诚实。公开视频加速了数倍到上百倍。

演示里的流畅，是剪出来的。

把这几件事放一起，会看到一条很清楚的分界线。

过去两年，行业比的是「能不能做」：能不能走、能不能抓、能不能连续走完 55 步。这个阶段通用大模型确实在往前推，Fable 5.2 从 27.6 到 64.9，两个多月翻了一倍多，这个速度是真的。

但工厂买的不是「能做」，是「第几次做对」。

产线上有个词叫一次通过率。一台设备如果第一次通过率 95%，看着不错，可它一天要做 2000 件，就是 100 件不良。所以制造业对自动化的门槛从来不是「大部分时候行」，是「稳定到不用人盯」。

64.9% 换算到产线上，是每三次掉一次。

这一幕不陌生。

2016 年那一轮自动驾驶，视觉方案在公开数据集上的分数一年翻一倍，可一上真实道路就出事。后来行业才承认，难点不在「认得出」，在长尾——那些一年遇不到几次、遇上就要命的情况。

机器人的长尾不在眼睛里，在手上。

所以真正的转折点是：评价标准要从「能干一次」变成「第一千次都对」。

这一步，比从 27.6 到 64.9 难得多。

难在哪？英伟达同一天发的 GR00T 2，给了一个参考答案。

11 月 9 日，英伟达发布世界动作模型 GR00T 2。

它的数字是这样：50 项任务里，40 项不需要针对具体任务做示范训练，直接能完成。每项任务只给 1 次示范，平均成功率 71%；给 5 次示范，95%。

预训练用了 40.3 万小时人类第一视角视频、1 万小时 UMI 夹爪数据、2.35 万小时机器人遥操作数据。加进完整人类视频之后，72 项真机任务的平均完成进度从 50% 提到 70%。

这组数字里藏着一个很朴素的结论：从 71 到 95，中间隔着的是 4 次示范。

不是模型更聪明了，是有人多教了四遍。

要知道，通用大模型最诱人的地方本来是「不用教」——不用采数据、不用遥操作、不用建仿真场景，一个模型直接上手。Fable 5.2 的演示也确实做到了没经过专项训练就能拧瓶盖、解魔方、画简笔画。

但真到产线上，那 24 个百分点的差距，还是得靠人一遍一遍教回来。

这就是为什么同一天还有一条不那么起眼的消息：据报道，前特斯拉 Optimus 团队做灵巧操作的工程师 Bingjie Tang，加入了 Anthropic，职位是 MTS。

一家通用模型公司，开始从人形机器人公司挖「手」的经验。

这个动作本身就说明了缺什么。

如果你是做具身模型的创业者，这条消息不是好消息，但也没那么坏。

坏的是「我们会训具身模型」不再是一个能讲的故事——通用模型零样本就能拧瓶盖了。好的是物理世界的泛化性没有被解决，插插头 11 次全败这个事实，通用模型也绕不过去。

如果你是投资人，下次看 BP 多问一句：这个成功率，是在多少步动作预算、多少次尝试、允不允许重置环境的条件下测出来的？

这三个条件不问清楚，一个 90% 和一个 60% 可能根本没有可比性。

如果你是工厂一把手，现在能进产线的还是那三类活：固定工位、单一动作、允许慢。

别按「通用」去采购，按「这个工位它今天能不能干到 99%」去验收。

通用大模型学会了拧瓶盖。

还没学会拧紧。

这两个动作之间隔着的不是模型参数，是物理世界里那个最不讲道理的要求：每一次都要一样。

跑分是给投资人看的。良率是给产线看的。