代码写得很漂亮，机器人却过不了关
通用智能体写代码、用工具、跑复杂数字任务都已经像模像样，但这些能力有多少能带进物理世界？arXiv 2610.10409（10 月 7 日提交，62 页、25 图，署名作者 33 人）给出的 RobotWorld 就是冲这个问题去的：一个「robot use」仿真测试床——把指令和观察变成通过机器人接口执行的物理任务。84 个任务铺满五大域：操作（38 个）、移动操作（20 个）、运动（11 个）、驾驶（11 个）和飞行控制（4 个），从 20 个来源项目聚合而来，覆盖 18 种本体、20 套控制配置。
玩法上，每个任务把机器人暴露成一组工具：智能体读图像和状态、选动作、拿执行回执和新观察，成功与否由智能体永远看不到的隐藏评测状态判定。还设有明确的交互预算——不是让你无限试。
会写分割代码，和能把杯子放进洗碗机，是两回事
论文的观察相当有信息量：现在的智能体已经能搭出相当复杂的感知-控制工作流——现场写图像分割、做相机标定、空间估计、甚至基于动力学的计算。但这些能力「不稳定地组合」成成功行为。典型的死法有四种：到达了指令要求的姿态，却把任务相关的物体状态弄丢了；动作没效果，不知道纠正；纠正了，但恢复得太晚，评测窗口已经关上；以及把没完成的任务误判为已完成。
换句话说，物理世界卡的往往不是「会不会做某件事」，而是长程闭环里的状态保持、纠错时机和自我判断。这跟本站 1821 写的 Odysseys2（浏览器智能体要交付真实文件才算数）隔着屏幕呼应：一个是数字世界的「交付验收」，一个是物理世界的「状态验收」——评测的尺子都在从「过程分」转向「结果分」。
另一个发现是没有全能选手：Astra 在空间类和受约束接触类目标上成功率更高，Opus 5.5 则在连续平衡类和计时交互类目标上更强。具体任务上谁更好使，取决于你派它去干什么。
操控接口的设计也能看出 benchmark 的用心。据论文与项目页介绍，智能体有两种控制模式：可以直接发动作指令，也可以生成一段代码控制程序，让本地反馈循环在一次工具调用里跑完——后者对「稳住一个姿态」这类需要高频反馈的任务显然更友好。任务还配了一个隔离的分析工作区：物理仿真暂停时，智能体可以用 Python 脚本做图像分割、相机标定、动力学计算，再把结论带回决策。换句话说，这个基准不只想量「会不会」，还在量「会不会借工具」——这恰是当前通用智能体最现实的用法。
还有一点容易被忽略：84 个任务的成败判定不看过程看状态（抽屉到底关没关上、无人机悬停到底稳没稳住要求时长）。这把评测和「动作漂移」解耦，也让失败轨迹本身变得有价值——哪一步开始丢状态、哪个环节纠错晚了，都能从执行回执里读出来。对做具身训练数据合成的团队，这类带结构失败标注的轨迹，比又一份成功演示视频有用得多。
它是个基准，不是答案
必要的冷静：RobotWorld 是仿真测试床，84 个任务、研究级规模，sim-to-real 的差距客观存在；论文对失败模式的分析基于执行轨迹归因，具体模型的成功率数字以原文为准；仿真里的「隐藏评测状态」在真实工厂里往往是另一套难题。它真正给出的是靶子——把「数字能力到物理执行」的落差拆成了可训练、可设计的具体缺口。对具身智能体方向，这比又一个跑分榜有用。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。