Simate 宣稱在「Robotics」項目上「擊敗了 GPT-6」。但其自身的排行榜顯示成績為 27.96%。

一家在三月時還不存在的公司，本週登上了機器人操控排行榜的榜首，而傳播最廣的說法是，該公司已「超越 GPT-6-Astra 和 DeepMind」，奪得全球第一名。 這項聲明並未附上任何分數。沒有日期、沒有排行榜條目、也無法透過任何管道進行核實。它就這樣廣為流傳，就像這類聲明原本就設計成要這樣傳播一樣。

但有件事並未隨之流傳開來：這家企業所超越的基準測試本身會公布其數據，而這些數據顯示，該領域目前仍處於蹣跚學步的階段。人類在完成相同的操作任務時，在真實世界中的得分為100%，在模擬環境中則為76%。 在本週排行榜更新之前，紀錄中表現最佳的模型——一個名為 Hy-Embodied-0.5-VLA 的開放系統——在模擬環境中僅獲得 8.8% 的得分。在需要理解陌生口頭指令（而非背誦指令）的任務中，所有受測模型的最高得分僅為 1.67%。 這正是「擊敗 GPT-6」這項主張所立足的實際現狀。我的論點很簡單：就在具身人工智慧的評估者們正證明該領域仍有漫長路要走之際，它卻恰恰重現了當年使早期語言模型排行榜聲名狼藉的「基準測試炒作失敗模式」。

那個無人能複製的數字

該基準測試名為 RoboDojo，由 RoboTwin 開發團隊打造，並於七月以正式論文形式發表，涵蓋三組實體機械手臂執行的 42 項模擬任務與 18 項真實世界任務，並針對五項獨立能力維度進行評分：泛化能力、記憶力、精準度、長程規劃以及開放式語義理解。 這並非行銷性質的排行榜，而是試圖賦予具身人工智慧（embodied AI）一項語言模型早已具備的特質——一套標準化、公開且經同行評審的難度曲線。

這條曲線在設計上極為嚴苛，論文也直言不諱：那些在預先排練的任務中看似游刃有餘的模型，一旦指令稍有改變便會徹底崩潰，而

在機器人於未經訓練的家庭或倉庫環境中運作時，其表現最糟糕的恰恰是那個至關重要的層面。若某項旨在揭露此差距的基準測試所獲得的分數偏低，便表示該測試確實發揮了應有的作用。問題不在於基準測試本身，而在於當新的數值被硬性套用至該基準測試的瞬間所產生的後果。

本週實際發生了什麼變化

9月23日，RoboDojo的模擬排行榜上新增了一位名為 Simate-beta 的新參賽者，其得分為 33.95，標準化後為 27.96%。 相較於 7 月份公布的最高分 8.8%，這確實是一個顯著的躍進，而我必須謹慎避免抹殺這個進展：該模型的訓練流程中，某個環節確實比十週前更為優異。Simate 這個專案本身，其歷史也僅比這項改進稍早一點。 該公司成立於六月，創始團隊包括一位來自自動駕駛公司的前高管、一位研究世界模型的香港科技大學助理教授，以及一位曾協助創建一家後被 Meta 收購的物理人工智慧新創公司的工程師。 該公司在三個月內歷經多輪融資，從未公開姓名的投資者處籌得一筆未披露的金額，僅被描述為「數億人民幣」（按當前匯率計算約為數千萬美元）。

這些情況本身並無不妥。快速資金追逐真正的技術突破，向來是這個產業的運作模式。但真正值得讀者警惕的是下一項事實：聲稱取得排行榜榜首成績的聲明，在任何獨立第三方重新驗證之前便已公諸於世。 其中一篇對此事報導較為謹慎的文章以直白語言指出這一點，將該結果描述為「自行宣稱」，並未經獨立重新驗證，同時指出 Simate 自身的技术報告將留待日後發布。 這個未經驗證的 27.96% 得分，正被市場解讀為「擊敗 GPT-6」。

兩個排行榜的故事

相較之下，由另一支學術團隊開發的競爭性基準測試 RoboCasa，運行時間已足夠長，足以從中汲取教訓

RoboDojo 目前還不需要學習這一點。根據 RoboCasa 自身的提交規則，任何閉源模型在發布分數之前，都必須授予基準測試維護者對該模型及其程式碼的私有存取權限。至於開源提交，則會以另一種方式進行公開驗證，因為程式碼就直接放在拉取請求中。 在該排行榜上，目前有三個不同的經驗證系統在其任務集上達到了 70% 至 80% 的準確率：一個搭配世界模型外掛的 GR00T 版本達 72.6%，一個由小米開發的策略達 74.5%，另一個系統則達 79.2%。

請花一秒鐘細細體會這份對比。 兩個基準測試、兩個研究社群、兩幅關於具身人工智慧發展進程的不同圖景，而其中的差異主要並非在於哪一方的機器人更聰明。關鍵在於任務設計——五個艱難的維度與一個反覆演練過的廚房環境之別；更在於驗證機制——私有存取要求與仍屬非正式的排行榜更新之別。 若有讀者將 RoboDojo 的 27.96% 與 RoboCasa 的 79.2% 相比較，並據此推斷出任何關於相對模型品質的結論，那他根本什麼都沒學到。這種比較不僅是「蘋果與橘子」的對比，甚至連「農產品」都稱不上。

硬體的實際成本

面對像這樣過度炒作的循環，我總會憑藉多年來對「機器人是什麼」以及「它們實際能做什麼」的分類體系所建立的經驗，在腦海中進行糾正：去尋找故事中那個無人宣傳的部分。 在這個案例中，關鍵就在於機械臂。RoboDojo 的實務任務運行於多個平台，其中包括 AgileX Robotics 的 Piper X——這是一款六軸機械臂，該公司官網標示價格為 1,999 美元（未含運費及稅金）。 這款被譽為「GPT-6殺手」的機型，其實體形態不過是一台價格與桌上型電腦相當的機械臂，執行任務時在模擬環境中約十次仍有七次失敗，而在真實世界中的表現更為糟糕。這並非在批評硬體本身——以這個價格而言，這確實是一項真正出色的工程傑作。 這只是對某則標題的糾正——該標題試圖讓你聯想某種更接近

到明天將有一名類人型機器人走進工廠。

接下來我會關注什麼

這則新聞的真實版本並非「中國在機器人領域超越了西方」，而是「由嚴謹的研究人員建立的基準測試，正完全按照設計目的運作，而圍繞其新參賽者所引發的媒體熱潮，也完全複製了以往圍繞排行榜聲稱時一貫的媒體循環。」 我曾連續兩年目睹語言模型重演同樣的模式，直到評估者建立保留測試集，並進行了人們真正信賴的第三方審計。如今，具身人工智慧正經歷著這堂課的另一種版本——面對更艱鉅的問題，卻擁有更短暫的記憶。

接下來我關注的重點，並非 Simate 的數據能否經得起考驗——儘管我希望有人能進行驗證。 而是 RoboDojo 的維護者是否會在下一次引發熱議的排行榜聲稱出現之前，採納類似 RoboCasa 的「私有存取」要求；以及下一位登上該排行榜榜首的創辦人，是否會在頭條新聞發布之前而非之後，就公開技術報告。 在上述兩件事中任一發生之前，對該領域任何「擊敗 GPT-6」聲稱的客觀解讀都是一樣的：尚未經證實，目前仍未得到驗證，而且很可能並非表面所言那般。

本專欄反映作者對截至 2026 年 9 月 27 日公開的基準測試文件、公司聲明及學術出版物的個人分析。本文僅供一般資訊參考，不構成投資、財務或法律建議。

首圖：AgileX Robotics 的 PiPER-X 機械臂，這是 RoboDojo 實境評估任務中所使用的實體平台之一，官方產品照片。圖片來源：AgileX Robotics。