说到人形机器人
你大概刷到过这样的视频
图片来自于网络
开冰箱、搬箱子、叠衣服
动作一年比一年顺
但看完几十条
一个很实际的问题会冒出来
视频都挺好看
放在一起，却没法比
这些机器人，到底谁更强？
对于一个合格机器人来说，绝不能只会站桩干活儿，而是要边走边动，移动操作。业内几乎每个月都有更新迭代。但疑问也随之显现：A 团队用自己的机器人、自己的场景、自己的控制器；B 团队换了套身体、换批数据；如何衡量谁的效果更好？
为了弄懂这些问题，中国电信集团 CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙教授带领团队，联合伽马智能、宇树科技，研发了一套人形机器人全身移动操作统一平台（LocoManiLab），面向人形机器人全身移动操作任务，把数据、上层策略、全身控制器与真机部署纳入同一套实验体系。
该平台在 5 类家庭空间、13 个场景实例中构建 234 项任务，在相同条件下评测 12 种主流视觉语言动作策略（VLA）、世界动作模型（WAM），并交叉考察 5 套全身控制器对执行效果的影响。
人形机器人通常不是一个模型直接驱动全身关节，而是分两层干活。
上层是“大脑”：视觉语言动作模型，或者世界动作模型。它看第一视角画面、读指令，决定往哪走、抓什么、接下来怎么办。
下层是“小脑”：全身控制器。它负责把“伸手”这个意图，翻译成双腿怎么撑、腰怎么转、手臂怎么抬，还得保证不摔。
问题就在这儿：大脑想得对，小脑执行崩了，任务照样失败；小脑走得稳，大脑指错方向，一样白干。只看一个成功率，这两个责任方永远分不开。
而 LocoManiLab 第一件事就是在中间加一位“翻译官”：一套统一的动作接口，把不同大脑的输出对齐成同一种格式，再交给小脑执行。翻译官不替模型干活，它只是让所有模型在同样的条件下接入同一副身体。
基于此，“谁更会干活”第一次变成可以回答的问题。
接着是出题。LocoManiLab 平台搭了厨房、客厅、卧室、浴室、办公室五类空间，13 个场景实例，一共 234 项任务。
102 项原子任务：走近、开门、抓取、放置，一个个单项动作。
132 项组合任务：把两到四个动作接成长链，比如接近抽屉、打开、放进东西、关上。
为什么非要组合？因为会走路和会抓东西，不等于走完能站在合适的位置抓；开完门，环境变了，下一步还得接着干。单步演示可以很漂亮，连起来就露馅。
题目还分三级：见过的任务（房间熟、任务熟，只换初始位置）、未见任务（房间熟，任务是新组合）、未见场景＋新任务（连房间都是第一次见）。
再叠一套压力测试：轻、中、高三档改光照、材质、镜头和干扰物，看看模型是不是只认某一种画面。
评分也不止成功率。足部打滑、跌倒、机械功率、动作变化、完成时间都会记录——因为“勉强做成”和“稳稳做成”，是两回事。
12 种主流策略同场应考，共用同一个控制器。
熟题上，头部模型确实能打：XR-1 见过任务平均成功率 80.2%，DM0.5 77.9%，GR00T N1.7 68.2%，π0.5 67.7%。DM0.5 的单项动作甚至做到了 90.1%。
但同一批模型换到没见过的任务，成绩立刻掉下来：XR-1 从 80.2% 降到 25.2%，DM0.5 从 77.9% 降到 16.6%，GR00T N1.7 从 68.2% 降到 11.5%。
再到“场景和任务一起换”，最好的 DM0.5 也只有 15.5%。
这不是说现有模型不行，而是把两件事的距离第一次量了出来：会做熟悉的动作，和真的能举一反三，中间隔着好几倍。
LocoManiLab 12 种策略完整主榜
成绩单还有个细节：冠军不是一个。XR-1 综合第一、未见任务迁移第一；DM0.5 在单项动作和新场景上更强；π0.5、GR00T N1.7 则是很有代表性的通用基线。只截取一段最好看的视频，这些差异就全看不见了。
LocoManiLab 的域随机化示例
视觉扰动下排名还会洗牌：轻扰动时 XR-1 领先，中高强度扰动时 DM0.5 反超。三档等权汇总，DM0.5 平均 70.2%，XR-1 是 69.0%。而真实家庭每天都在变——光的角度、桌上多一瓶水、镜头偏了几厘米。
大脑再好，也得靠身体去完成。
团队做了第二组实验：让 π0.5 和 GR00T N1.7 分别配上 SONIC、AMO、HEFT、ALMI、ScaleBFM 五套控制器，在同样的五项单项任务和五项组合任务上交叉配对。
两种上层策略
搭配五种全身控制器的多指标雷达图
结果很有意思：成功率高的组合，不一定摔得少；机械功率低的，也不一定最快。比如 SONIC 在很多成功回合里输出功率更低，但它并不总是成功率最高的那个；有的配置分数更高，跌倒却更多。
就像同一位司机换了一套底盘：路线规划得好，不代表车开得平顺；车开得稳，也不代表找得到目的地。人形机器人还多了双臂操作和频繁的重心转移，情况只会更复杂。
所以两组实验必须分开排：只换大脑，看谁更会理解和安排；连小脑一起换，看同样的意图能被身体实现成什么样。混在一起排名，等于把两个问题揉成了一个。
最后一关是落地。
在宇树 G1 上，团队设计了三项和仿真相呼应的真实任务：开冰箱、把杯子从货架搬到桌面、处理传送带上的盒子。每个"策略×任务"组合都在真机上跑 10 次。
结果是：XR-1 仿真 76.7%、真机 70.0%；GR00T N1.7 仿真 53.3%、真机 53.3%；Fast-WAM 仿真 50.0%、真机 46.7%。
排名没变，XR-1 领先，GR00T N1.7 次之，Fast-WAM 随后。仿真和真机之间的那点落差，也落在能解释的范围内。
这意味着什么？意味着不必每一版模型都先搬上真机试错。在一个统一平台上先筛一遍，能把昂贵的真机实验，留给真正有希望的方案。
