HuggingFace 给机器人物理智能办了场野外大考

机器人策略的论文分数越来越好看，但换个机器人、换个厨房还成立吗？Hugging Face 参与组织的 RoboColosseum（arXiv 2611.02497，项目页 robocolosseum.ai）把考场搬到了真实世界：一个分布式评估框架，用统一策略服务与标准化协议，在全球 124 个本地运营站点跑出 5,699 次两两对比，测试 5 个 VLA 策略加 3 个前沿 AI 智能体，覆盖 SO-101、Franka、双臂 YAM 和 G1 人形四种本体。

发现相当泼冷水也相当有价值。其一，前沿 AI 智能体已经能与专用 VLA 策略掰手腕，但所有系统都难以可靠完成开放世界任务。其二，跨本体的策略排名一致性很弱（Kendall's W 只有 0.24）：在 A 机器人上排第一的策略，到了 B 机器人上可能垫底。其三，Open Track 的排名对微调后的表现预测很差，三个共有本体上出现大幅排名反转，这意味着「选型看跑分」在机器人领域暂时行不通。其四，进度度量能揭示成功率掩盖的差异：G1 人形上没有策略完成任何 5 个任务，但平均进度在 13.3% 到 23.2% 之间明显分化。

方法上也有贡献：主动匹配（active matchmaking）用远少于均匀采样的物理试验次数达到相当的排名一致性，省的是真金白银的机器人时间。28 位作者横跨多所大学与 Hugging Face 社区，代码与项目页均已公开。

对具身智能团队，这个「野外大考」模式本身比任何单篇策略论文都重要：物理智能的进步需要可复现的真实世界评测，而分布式加标准化协议是目前唯一规模化的答案。