RoboChallenge测评，π0、π0.5领先，自变量WALL-OSS-Flow零成功率现象引关注

RoboChallenge测评中，π0、π0.5表现领先，自变量WALL-OSS-Flow的零成功率引起了关注。此次测评中，各参赛队伍在面对挑战时展现出了不同的实力和策略，0和π0.5的优异表现尤为引人注目。WALL-OSS-Flow的零成功率也引发了人们对于该环节的关注和思考。

在具身智能竞速加速升温的当下，真实场景的客观评测成为检验机器人模型能力最关键的一环。

近日，“具身进化论”在查询最新发布的RoboChallenge测试结果时注意到，π0、π0.5 在成功率上遥遥领先其他开源模型。自变量机器人（X Square Robot）的大模型wall-oss-flow虽然在多次企业自我宣传中提到，“基本上和PI、和google在同一个水平线上”，但是在多个任务上成功率偏低。根据公开的测评记录，其在31次测试中大部分成功率为零，这一表现引发业内对其大模型真实能力的讨论。

RoboChallenge是全球首个具身智能的大规模真机评测平台，也是目前行业内最受关注的真实物理机器人评测平台，由Dexmal原力灵机联合Hugging Face发布，被视作“机器人界的硬核基准”。其最大特点是真机真测：评测同时接入UR5、Franka、Aloha 双臂系统以及国产ARX-5 四类主流机器人，统一软件栈并配备多台RGB-D深度相机，以确保任务在高度一致的物理条件下进行。

平台的任务覆盖柔性物体处理、双臂协作、多阶段顺序动作等真实世界的关键难点。其中Table30场景包含30个具有代表性的日常任务，包括叠抹布、整理果篮、插花、开关水龙头等，难度从基础操作递进到长链条组合动作。

据了解，RoboChallenge 之所以被认为更加客观，是因为其采用了 “任务成功率 + 进度评分”的双指标体系。前者统计任务是否完整成功，后者将任务拆解为多个关键阶段并按推进程度累计分值，即便任务未完成也能反映模型做到哪一步，为能力评估提供更细粒度的信息。

在该评测体系中，多款主流开源模型已完成测试。“具身进化论”对比发现，基于Physical Intelligence （Pi）系列构建的π0和π0.5是官方重点基线，它们在成功率与进度得分上整体领先其他开源模型，特别是π0.5，显示出更成熟的任务执行能力。

π0测试结果

π0.5测试结果

相比之下，自变量的wall-oss-flow 在相同条件下的表现明显偏弱。测评结果显示：wall-oss-flow共测试31次，其中2次成功率为60%，1次成功率为50%，1次成功率为20%，其余所有任务成功率均为0。

wall-oss-flow测试结果

“具身进化论”从进度分情况看到，模型虽然在部分任务中能完成初段动作，但多数情况下未能完成关键步骤，执行链条往往在中段被迫中断。这与平台强调的“多阶段连续操作能力”形成明显差距。

公开信息显示，自变量2023年成立，创始人兼CEO为王潜。今年9月，自变量发布其开源大模型WALL-OSS，自变量在官方宣传稿中强调该模型“具备强大的泛化性和推理能力，在长程操作任务方面表现优于其他基础模型”。

王潜甚至曾在接受媒体采访时表示：“我们（自变量）的模型水平基本上和PI、和google在同一个水平线上。”

但此次RoboChallenge 的评测结果显示，自变量模型的水平、能力在真实机器人执行任务时未能体现，与PI的模型（π0 和 π0.5）也存在明显差距。

一位具身智能从业者对“具身进化论”分析，RoboChallenge的独特价值正是在于提供透明、可复现的真机评估环境，避免主观展示带来的偏差。随着越来越多模型加入测评，业内对“模型真实能力差异”有了更清晰的认知。

对具身智能行业而言，此次结果再次提醒：真正的竞争不在PR宣传中，而在三方认可的评测，学术基准线，以及机器人能否稳定完成任务的那一刻。

真实世界，正在成为检验大模型能力的最终标准。而认识到差距，正是追赶的开始。