过去两年，如果你问我，判断一家具身智能公司到底“行不行”，最关键的标准是什么？我的回答可能和大多数人一样，都是看它的模型跑分，看机器人在落地场景的成功率有多高。
那个阶段，行业还处于“跑马圈地”的野蛮生长期。一个流畅的抓取、一次丝滑的折叠，就足以让资本市场和围观群众热血沸腾。但到了今天，如果你还在用单一的“成功率”来审视一家公司的核心能力，坦白说，你很可能已经被表象所迷惑了。
因为，具身智能的竞争，已经悄然进入了“深水区”。尤其是3月26日中国信息通信研究院联合40余家单位共同起草的具身智能领域首个行业标准正式发布，该标准为具身智能领域构建了统一基准测试框架，标志着具身智能评测即将迈入“有标可依”的新阶段。
据了解，这项标准聚焦人工智能关键基础技术和具身智能基准测试方法，同时明确了具身智能系统框架和能力要求，将于2026年6月1日正式实施。标准规范了在仿真环境和真实环境下，面向具身智能系统的基准测试框架、方法和指标。标准提出的评测体系支持基础能力、认知推理能力以及全链路闭环能力的测试，覆盖静态仿真测试、动态仿真测试、真实环境测试和组合式测试四种测试方法。
这个“深水区”的标志，就是我们不再满足于问“它能不能做到”，而是开始追问一系列更深刻的问题，它是真理解，还是死记硬背？它能举一反三，适应从未见过的环境吗？它的动作是否符合物理规律，还是仅仅在“演”一段预设的脚本？它进行长序列操作时，会不会在中途“失忆”或“犯傻”？要回答这些问题，靠过去那种“一锤子买卖”式的测试已经远远不够了。
PART 01
为什么“成功率”突然不灵了？
首先，我们必须承认一个残酷的现实，在实验室环境下，堆出来的成功率，正在严重贬值。想象一下，一个学生花了三年时间，只刷一套高考真题，最终考了满分。你能说他是“学神”吗？当然能。但你能说他具备解决所有现实世界问题的能力吗？显然不能。
这就是当前具身智能评测面临的尴尬，许多模型在精心设计的“题库”里表现出色，但一旦进入真实、开放、动态的环境，就像学霸走进了社会大课堂，处处碰壁。
这背后的原因在于，传统评估存在两个致命盲区。
首先是“黑盒”式的评判标准，一个95%的成功率，背后可能隐藏着截然不同的真相。它可能是在同一个桌面、同一个光照、同一个物体下，反复测试了100次的结果。这个模型可能根本不具备哪怕是最基本的泛化能力。而另一个80%成功率的模型，则是在7种不同光照、5种不同干扰物、甚至包括人类故意“使绊子”的极端情况下跑出来的。这两个“分数”能相提并论吗？
其次是“非全即无”的粗暴判断，一个长达20步的复杂任务，模型在前19步都表现得完美无瑕，却在最后一步因为一个微小的失误导致失败。按照传统标准，这整段尝试被标记为“失败”，模型在整个过程中展现出的卓越规划、精准执行和长时记忆能力，被一个冰冷的数字彻底掩盖了。
当一个行业的评估工具开始失效，就意味着它正在呼唤一场新的标准革命。
对于具身智能领域首个行业标准正式发布，专家指出，为确保标准的可操作性，在标准编制过程中，同步建设了配套测试任务库、测试工具和标准测试环境。目前已建设1万多条测试任务库，覆盖工业、家庭、零售、物流等300种任务类型，构建了数据采集和管理、仿真任务生成和指标自动化计算等测试工具。这就意味着对于具身智能的评估标准，将得到进一步的细化。
PART 02
“综合素质评价”的三份“考卷”
在期待6月该标准正式实施的过程中，我们发现，更早之前，无论是国家级机构、顶尖高校还是头部企业，都在推动建立全新的评估范式，尝试搭建一套全方位、多层次的“综合素质评价”体系。
整体来看，国内已经初步形成三类“考卷”，能否从不同维度分别考察模型的不同素养。
第一类“考卷”是EIBench为代表的评估标准。这就像我们高考的“全国卷”，它的权威性和覆盖面决定了它是最基础的“入场券”。由中国电子技术标准化研究院牵头的EIBench，最大的特点就是“标准化”与“综合化”。它不再让你挑环境，而是定义了统一的标准化流程，确保不同公司的模型在“同一条起跑线”上被比较。
它的任务库涵盖移动、推、拉、插入等8类核心原子动作，并引入了一套多维度的量化指标。这里面有一个指标尤其值得关注，安全性。是的，你没看错。当一个模型做出可能损坏设备或伤及自身的“危险操作”时，会被明确记录和扣分。这释放了一个强烈的信号，对于具身智能，安全不是锦上添花，而是基本功。
第二类“考卷”是司南为代表的评估标准。如果说EIBench是“全国卷”，那上海人工智能实验室推出的司南，就是一场“综合素质面试”。它提出的“五位一体”评估范式，覆盖了从底层算力、数据、模型到应用的全链路。但司南最精妙的设计，在于它的“三层级路径”。它不是一个单一的测试，而是由浅入深的“三关”。
第一关，静态数据集。考察模型最基础的理解能力，看它能不能“读懂题”。
第二关，高保真仿真。在虚拟世界里，让模型面对各种极端环境和复杂干扰，看它能不能“解对题”。
第三关，真实机器人。只有前两关都通过了，才进入最终的“实境考核”。
这种层层递进、优中选优的设计，从根本上杜绝了“偏科生”靠运气通关的可能性。一个模型在真实世界里表现优秀，意味着它在算法、数据、仿真、硬件协同上，都达到了真正的“全科优秀”。
第三份“考卷”是EWMBench与GM-100为代表的评估标准。如果说前两份考卷是“通识教育”，那么以智元机器人的EWMBench和上海交大的GM-100为代表的基准，就是针对特定能力的“拔尖人才选拔”。
比如EWMBench（具身世界模型评测基准），它不关心你能不能完成任务，它关心的是，你的“想象力”和“物理直觉”合不合理？它评估模型生成的场景是否连贯、预测的动作是否符合物理规律。一个能生成“合理”未来世界模型的AI，才真正具备了在物理世界中“举一反三”的潜力。这就像评价一个运动员，除了看比赛成绩，还要看他的身体素质、肌肉协调性等“底层天赋”。
而GM-100的贡献在于，它提出了“部分成功率”这个概念。这简直是“非全即无”评价体系的一剂解药。它把100个长程任务精细拆解，记录每一步的完成情况。这让我们终于能看清，一个失败的模型，到底是在规划环节就错了，还是在执行环节手抖了？这种细粒度的评估，为模型优化指明了精准的方向。
PART 03
我们该如何重新“看”一家具身智能公司？
基于以上分析，当我们现在再去审视一家具身智能公司时，可以从新的维度来看。
第一，看“泛化”的广度，而不是“记忆”的深度。
优秀的公司，会主动公开模型在泛化能力上的表现。你可以在他们的技术报告中，寻找类似“泛化能力雷达图”这样的可视化呈现。一个强大的模型，应该能在物体颜色、位置、环境光照、背景干扰物等七大维度发生变化时，依然保持稳定的成功率。如果一家公司只展示在“完美环境”下的表现，而对环境变化避而不谈，那它很可能是在用“死记硬背”来掩盖“理解力”的缺失。
第二，看“执行”的轨迹，而不是“成功”的瞬间。
这意味着我们需要在看Demo视频时，把目光从“成功抓取”的那个爽快瞬间移开。去观察它的动作轨迹，它的运动是流畅自然的，还是充满生硬的抖动和试探？当它遭遇意外时（比如物体被碰倒），是立刻陷入死机状态，还是能重新规划路径？去关注它的长程能力，在完成一个20步的任务时，它的动作是否始终保持连贯，有没有出现“做一步想一步”的卡顿？这些细节，远比一个最终的成功/失败结果更能说明模型的智能水平。
第三，看“仿真”的逼真度，而不是“视频”的精美度。
仿真环境的重要性被大大低估了。一个负责任的团队，会告诉你他们如何利用高保真仿真来训练和测试模型的泛化能力。他们应该能清晰地阐述，仿真环境如何模拟了现实世界的复杂物理规律，以及如何在仿真中引入了大量随机性和干扰来“折磨”模型。一个在仿真中被打磨得足够“皮实”的模型，才更有可能在真实世界中“站稳脚跟”。
PART 04
写在最后，从“榜单竞技”到“生态共建”
我们正站在一个分水岭上。过去，评估标准的缺失导致了行业的“榜单竞技”，大家各说各话，自建赛马场。而现在，随着具身智能领域首个行业标准的发布与实施，以EIBench、司南、EWMBench为代表的评测体系，正在共同构建一个“基础共识”。它们就像一张张精密的地图，清晰地标明了通往通用具身智能的道路上，哪些是坦途，哪些是深坑。
对于公司而言，这不再是“要不要接受评测”的选择题，而是“如何在多维评测中证明自己”的必答题。模型能力不再是一个模糊的概念，而是一组清晰、可量化的素质指标。这无疑会加速优胜劣汰，让真正有技术底蕴的公司脱颖而出。
对于整个行业而言，一套科学、透明、多维的评估体系，是生态繁荣的基石。它能让科研人员精准定位技术瓶颈，让开发者明确优化方向，让投资者看清价值洼地，也让公众建立起对这项技术的理性认知。
当“成功率”的神话被打破，当每一个动作的合理性、每一次泛化的广度、每一段长程规划的逻辑都被纳入评价体系，我们才能真正看清，谁是在风口上翩翩起舞的“表演者”，而谁，又是在物理世界的荆棘中，一步一步踏实前行的“建造者”。
而这，正是我们这个时代，审视一项伟大技术时，所应有的专业与审慎。
