智元 的 GE-Act2.0 世界动作模型把陌生场景成功率从 17.1% 拉到 44.1%，蚂蚁灵波的通用大脑已在上海国大药房上岗， 宇树 们则把发布会一场接一场开进大众视野。但当“演示”逐渐变成“交付”，一个此前被绕开的问题浮出水面：模型在仿真评测里拿了高分，真机上就一定干得了活吗？
评测是具身智能最不起眼、也最要命的环节。真机评测贴近真实，却贵且慢：一台机器人、一个场景、一轮人工盯守，想把几十种任务覆盖一遍，时间和成本都撑不住。仿真评测反过来，秒级出分、几乎零硬件成本，最大的隐患是“失真”——模型把仿真里的题背熟了，换个真实货架就露怯。仿真高分、真机翻车，是这个行业反复上演的戏码。
10 月 19 日， 自变量 （X Square Robot）发布 X2Real，一套“可进化”的仿真评测基准，正面回答这个问题。它的打法分三步：先把仿真世界调得尽量贴真，再用一套多维题库全面考核，最后用随机化和隔离机制堵住“背题刷分”的口子。
第一根支柱是可信性。团队让真实机械臂和虚拟机械臂执行同样的指令，逐帧比对运动轨迹、反复调整关节响应，据称做到毫米级轨迹一致；视觉外观、物体重量、摩擦等物理属性也逐一校准，覆盖 Franka、ArtiXon Arm-6A、ARX R5、Quanta X1 等多种主流本体。
第二根支柱是有效性。X2Real 设计了 10 个类别、共 44 个仿真任务，把通用操作能力拆成“推理”与“操作”两条线：推理考泛化、视觉理解、语言理解和记忆，操作考精细操作、双臂协同、工具使用、动态物体和移动操作；另留汉诺塔、积木堆叠、按色序按键一类挑战题，给模型留出继续进步的评分空间。
第三根支柱是客观性。任务被拆成外观条件、任务设置、具身条件三个维度分别随机化，模型无法靠死记硬背取胜；训练数据来自统一绿幕棚里近 300 小时采集，与评测场景严格分离。底层 Mana 仿真生态搭建在 NVIDIA 的 Isaac Lab-Arena 之上，并用 AI 智能体自动出题、自动判分——把每个任务拆成子任务图，按物体位姿、接触与抓取状态逐节点评分，模型哪里失败就针对哪里补新题。
成绩单上， 自变量 宣称在通用操作任务上，仿真与真机的任务成功率相关性达到 0.96、进度分相关性 0.99，居于行业前列。但独立媒体在同主题的 8 任务对比中报出的数字是 0.74 与 0.84。两组数字的落差本身就有信息量：高相关性说明“仿真分数能反映趋势”，却不等于“仿真通过的模型真机一定过”。
这里要特别防一个误读——0.96 的相关性不等于 96% 的任务能从仿真迁移到真机，它衡量的是“仿真排名与真机排名的一致程度”。评测基准回答的是“谁比谁强”，不是“谁真的能上岗”。
边界也必须摊开说。刚性物体、确定性抓放这类任务，仿真已经能较稳地反映真机表现；但柔性物体、流体、灵巧手和高频触觉传感，仍大面积在仿真视野之外。一个细节很说明问题：把眼镜挂上木架子，真机成功率约七成，仿真里却是零——仿真既会高估一个烂策略，也会低估一个真能干的策略。
换句话说，评测基准是“有界工具”，不是真机的替代品。它的价值在于让研发进步可度量、可积累，把“凭 demo 说话”变成“凭分数说话”；而最终拍板权，仍然属于真机。
企业自发立标尺的同时，行业层面正在补位。正在张江举行的 2026 全球开发者先锋大会（10 月 23 日至 25 日）专门设立了库帕思行业 benchmark 论坛，目标是给垂直大模型立一把“可量化、可比较”的评价标尺；同场的国际具身智能技能大赛设 9 大重点赛道、23 个赛项，把延锋汽车、百联集团、申通快递等企业的真实产线与门店需求搬进赛场，直接考核作业成功率、效率提升率、安全可靠性与经济可行性——目前已有超万台机器人入驻张江人工智能创新小镇。
这背后是行业逻辑的切换。当 舍弗勒 太仓工厂里六台人形机器人跨五个工位参与自身零部件生产、 Figure 用 03 号机器人在跑步机上累计跑出 348 英里做耐久测试， 特斯拉 把量产能耗当核心指标，“机器人能不能干活”已经从论文问题变成采购问题。采购方要的不是一个惊艳的视频，而是一把可以复现、可以横向比较的尺子。
把视野拉高一层，评测其实是具身智能的“第三战场”。过去两年，行业的火药集中倾泻在数据与模型两端： 优必选 、 银河通用 、 傅利叶 们拼命攒真实数据、卷模型参数，开源阵营与闭源阵营轮番出招。但当模型数量井喷，问题变成了：谁的进步是真的？谁的开源只是“给个说法”？没有可信评测，开源的真伪之辩就永远是一笔糊涂账。
标准化的苗头已经出现。工信部《国家人形机器人产业标准体系建设指南（2026 版）》已把世界模型标准列入体系，上海的人工智能标准体系建设指南也把“世界模型标准”列为关键技术标准，要求建立多维度评测体系。评测从企业自发走向行业共识，只差时间。
当然，这把标尺自身也有软肋。X2Real 由厂商自研自证，利益冲突难以完全回避；目前公开的是分布内评测，分布外任务定义与训练工具尚未放出；更底层，仿真生态高度依赖 NVIDIA 的 Isaac 体系，评测话语权有向单一基础设施集中的趋势。这些，都是“标尺能否服众”必须回答的问题。
一个可以预见的走向是：评测会从“研发自嗨”变成“进场门票”。模型供应商在投标时附上一份可复现的评测报告，会像今天软件厂商附上安全审计报告一样自然；而谁定义了这把尺子，谁就握住了具身智能行业的话事权。
对从业者而言，眼下值得盯的信号有三个：一是 X2Real 的真机相关性能否在更多模型、更多本体上复现；二是库帕思等第三方 benchmark 能否形成独立于厂商的公信力；三是世界模型标准落地后，“仿真评测+真机抽检”会不会成为准入标配。
回到开头那家药房：机器人取药的动作已经足够熟练，下一次伸手时，它对“碰一下会怎样”多几分预判、这个预判能不能被量化、被谁量化，决定的不是它会不会干活，而是它靠不靠得住。评测这门“考试”，正在成为具身智能下半场真正的分水岭。
本文基于公开报道整理。