机器人炫技背后，我们终于有了测真假的标尺

当机器人后空翻的视频刷爆朋友圈，当机械臂精准冲泡咖啡的演示收获数万点赞，没人会怀疑具身智能的爆发式增长。但很少有人问：这些惊艳的表演，到底是机器人真的学会了适应世界，还是仅仅在特定场景下被反复调教出的「表演」？2026年3月，中山大学联合多机构推出的ManipArena，第一次把这个行业悬而未决的问题，变成了可以用数据回答的科学命题——它不是又一个炫技舞台，而是给具身智能做「全面体检」的精准标尺。

分层OOD：给模型画一张泛化能力心电图

你可以把传统的具身智能评测想象成只看一次体温就判断健康，而ManipArena的分层OOD评测，是给模型做了一次从常规体检到极限挑战的完整心电图。它把每个任务拆成10个难度层级：T1到T4是「常规体检」，测试机器人在训练过的场景里的稳定性，比如移动训练中见过的不锈钢勺；T5到T8是「小感冒测试」，引入视觉偏移，比如换成形状不同的儿童勺；最苛刻的T9到T10是「极限挑战」，直接拿出训练时从未见过的黑色塑料勺，测试真正的语义泛化能力。

这种阶梯式设计，能让单次评测就画出模型的「泛化衰减曲线」——就像心电图能看出心脏在不同负荷下的表现，它能精准显示模型从熟悉场景到陌生环境的性能跌落点。比如在耳机分类任务中，单一改变耳机类型时，模型还能拿到2.0分，但同时改变类型和颜色，得分直接暴跌到0；勺子放置任务里，材质和颜色同时变化时，模型要么拿满分要么得0，完全做不到「优雅降级」。这些数据第一次直白地揭示：当前的具身智能模型，泛化能力比我们想象的脆弱得多。

两大路线对决：谁更接近真实世界

ManipArena的首批测试，直接把当前具身智能的两大技术路线拉到了同一场公平对决里——代表视觉-语言-动作模型（VLA）的π₀.₅，和代表世界模型（WAM）的DreamZero。

VLA模型就像训练有素的工匠，精细操作能力极强，能完成亚厘米级的精准插线，但泛化能力脆弱得像玻璃：面对从未见过的物体，性能会出现灾难性退化。而世界模型更像经验丰富的探险家，泛化鲁棒性出色——当篮子位置从右侧移到左侧，π₀.₅的得分暴跌44%，DreamZero只下降了8%。但它的软肋同样明显：只能完成粗粒度操作，精细任务完全力不从心，单步推理耗时更是比VLA慢50到70倍。

这次对决没有赢家，只有清晰的能力边界：未来的通用具身智能，必须是「工匠+探险家」的融合——既要VLA的精细操作能力，也要世界模型的泛化鲁棒性。而ManipArena的价值，就是第一次用真实的真机数据，明确指出了这条融合的方向。

从评测到标准：终结「劣币驱逐良币」

在ManipArena出现之前，具身智能行业一直面临「劣币驱逐良币」的风险：因为缺乏统一的真机评测标准，研发资源更容易流向那些容易出视觉效果的「表演项目」，而真正投入泛化能力研发的团队，却难以证明自己的价值。

ManipArena从根源上解决了这个问题：它用统一的双臂机器人平台、封闭的绿幕环境排除了硬件和环境干扰，确保所有模型在完全相同的物理条件下竞争；「一个模型应对所有任务」的规则，直接封死了针对单一任务过度拟合的捷径；远程真机评测架构，让研究者不用购买昂贵硬件就能参与，极大降低了行业准入门槛。

更重要的是，它第一次为行业提供了可量化、可复现的泛化能力基准。未来，当企业要判断一个具身智能模型的真实能力，当投资者要评估研发团队的技术实力，ManipArena的评测数据，会成为最有说服力的标尺。

当我们为机器人的炫技欢呼时，ManipArena提醒我们：真正的智能，从来不是在特定场景下的完美表演，而是在陌生环境中依然能从容应对的适应力。它就像一面镜子，照出了当前具身智能的真实水平，也为行业指明了前进的方向。

从炫技到实用，具身智能终于踩在了坚实的地面上。 未来的机器人，不该是舞台上的表演者，而应该是能走进真实世界，帮我们解决问题的合作者。ManipArena的出现，正是这个转变的开始。