精读 19 个具身仿真 Benchmark：任务是什么、仿真还是真机、怎么测——55 张插图逐张讲透（含 OpenWAM 评测栈五榜补充，与 RoboDojo 串成评测全景）

配图说明：本文收录 19 个 benchmark 共 55 张插图（前 14 章 + 第二辑 5 章）（按 bench_* 目录分放），每章独立逐图讲解，文末附图表总索引。写法沿用站内精读惯例：每个 benchmark 都回答四件事——①是什么（论文出处）②任务是什么 ③仿真还是真机、怎么测（协议/指标/划分）④插图里画了什么。本文与 RoboDojo 精读 互为姊妹篇：RoboDojo 是「统一仿真-真机评测场」的单篇深挖，本篇是周边全部常用考场的横向图鉴；前 14 章按时间线从 2019 经典排到 2026 基础设施，**第二辑（15–19 章）**按 OpenWAM 论文（2609.07398）的评测栈补齐 LIBERO 系与移动/灵巧赛道——两辑合读即 OpenWAM-α 精读 九榜的完整背景。

📖 导读：19 个 benchmark 一张表看懂

先说两个容易混淆的点：①05 SimplerEnv 不是「造新任务」，而是把已存在的真机实验搬进仿真去复测策略——real-to-sim；②11/12/14 不是任务集，而是让别的 benchmark 能被公平跑起来的基础设施（仿真运行时、策略接口、真机评测服务）。读每一章先看「类型」一行，就不会把它们和任务型 benchmark 混在一起。

01 · Meta-World（2019 · 多任务与元强化学习的「标准操场」）

一句话定位：CoRL 2019 的开源仿真基准（arXiv 1910.10897），把「一个策略学 50 件事」和「学会学习」拆成四套协议，是此后所有 multi-task/meta-RL 论文的公共对照组。

任务与本体（仿真）：Sawyer 单臂桌面操纵，50 个任务（reach / press / pick-place / door / hammer / assembly 等家族），设计原则是「多样但共享结构」——同一家族的任务可以按参数化/非参数化方式变形（例如所有 reach-puck 任务只改目标点），天然适配元学习的「同任务换目标」设定。

评测协议与指标（重点）：

• 四套协议：ML1（单任务元学习，换目标）、ML10/ML45（学 10/45 个任务、测新任务）、MT10/MT50（多任务 RL，训练测试同任务集）；
• 指标：每个任务有距离阈值型成功判据（单位米，见论文 Table 12 全列），报告「平均最大成功率」（每 seed 学习曲线取峰值再平均，10 seeds）；
• 结论基调：MTRL 里 MT-SAC 最好，元 RL 里 RL² 最强，但 ML-45 上所有方法都「开始能解决一部分」——任务数量一多就掉。

插图逐张

Figure 1（头图）：50 个任务总览

（即文首头图。）网格里每个小格是一个任务场景：机械臂 + 桌面目标（puck、门、抽屉、按钮、锤子、方块装配……）。读图要点：视觉上高度同构（同一张桌子、同一臂），差异集中在目标与工具——这正是「共享结构」的直观呈现，也是它能同时支撑多任务与元 RL 的原因。

Figure 3：三套评测协议示意

图示从「同任务内换目标」到「跨任务泛化」的协议光谱：ML1 只换实例参数，ML10/45 换整任务，MT10/50 是多任务并训。结合导读表记忆：看别人报 Meta-World 分数，先问是哪套协议——MT50 高分≠元学习强。

生态位：RL 界的「Hello World」；VLA 时代更多作为算法消融底座而非能力上限测试（任务偏短、桌面偏干净），这也是 RoboDojo/LIBERO 们后来居上的原因。

02 · RLBench（2019 · 100 任务 + 无限演示的模仿学习考场）

一句话定位：CoRL 2019（arXiv 1909.12271）的仿真基准与学习环境，100 个手工设计任务 + 自动生成演示，长期是「学操作技能」的默认大考场。

任务与本体（仿真）：CoppeliaSim（旧 V-REP）里的 Franka Panda 固定在木桌上、三盏方向光（Figure 2 场景）；100 个完全唯一的任务，覆盖抓取、抽屉、工具、双臂协作雏形等，每个任务带文字描述与无限生成的演示（运动规划采样，不靠人工遥操作——「infinite supply of generated demonstrations」）。

评测协议与指标（重点）：

• 层级：task → variation → episode（同任务不同初始为 variation，一次执行为 episode）；
• 观测栈：过肩立体相机 + 腕部单目 RGB + 关键点/状态信号（Figure 3）；
• 成功 = 任务成功判定器翻转；常见用法是 K-shot 模仿或 RL、跨 variation 测泛化。

插图逐张

Figure 1：100 个任务网格

100 个任务关键帧拼图——每个格子一个任务的代表性画面。信息点：任务粒度远细于 Meta-World（含 push button、close jar、take lid off pot 等具体动词短语级任务），且刻意覆盖不同接触模式；这也是它被 PerAct/Diffusion Policy 等大量方法选作主基准的原因。

Figure 3：观测栈

同一时刻的两类视觉输入对照：过肩立体视觉（场景全局）与腕部单目（近距接触），旁边还有关键点/状态通道。评测含义：方法可以只用 RGB，也可以吃 privileged 信号——比结果时要对齐观测配置，否则不公平。

Figure 4：task / variation / episode 三层

以 stack_blocks 为例画出三层结构：任务定义不变，variation 改变物体摆放，episode 是一次 rollout。协议核心：训练见若干 variation、测试换新 variation——「同任务泛化」的最早清晰图解之一。

生态位：技能学习与模仿算法的「标准操场」；短板是语言条件弱（描述固定集合）、场景单一——后被 CALVIN/LIBERO 在语言与长程维度上分走关注。

03 · CALVIN（2021 · 自由语言驱动的长程操纵）

一句话定位：RA-L 2022（arXiv 2112.03227）的仿真基准，用众包自由句指挥 7 自由度臂在四个结构相近的房间里连做长程任务——语言条件操纵的经典开场。

任务与本体（仿真）：Franka 桌面（带抽屉/灯/滑块的百宝柜），四个环境 A/B/C/D（家具排列不同）；34 个子任务；语言来自众包、措辞不受模板限制（“open the drawer… now push the blue block…”）。

评测协议与指标（重点）：

• 链式评测：每条指令链连续 5 个子任务，一个失败即整链停；共 1000 条链做测试（含跨环境/跨物体设定：ABC→D 等）；
• 常见设定缩写：SL（单语言短程）、MVLTC/MTLC（多视觉-语言/多任务长链）；
• 基线 MCIL 的结论被反复引用：短程 53.9% 成功率，长链大幅下滑——CALVIN 就是为暴露这个差距而生。

插图逐张

Figure 1：训练 A/B/C → 测试 D

左框 Training：Env A/B/C 三个房间各配一条示例指令（“move the switch…”、“push the button”、“place the red block in the slider”）；右框 Test：Env D 换家具布局换指令（“push the blue block to the left”）。一眼看懂 CALVIN 的泛化考法：同构房间换布局换物体，语言零样本。

Figure 3：传感器配置

支持的观测模态：静态相机 RGB(-D)、腕部/头戴视角、机器人本体状态与夹爪状态。评测时论文给的公平基线是「静态相机图像 + 本体」——换模态会显著改变成绩，读表先对齐这一栏。

Figure 5：五步语言链示例

三条链样本：“turn on the led → open drawer → push the blue block → pick up the blue block → place in slider” 等，每条恰好 5 步、前一步的终态是后一步前提。这就是「长程」的度量单位——链成功率 = 五步全对的概率，五步各自 90% 也只剩 ~59%。

生态位：自由语言 + 链式协议成为后续 LIBERO/VLABench 的直接思想源头；短板是房间单一、任务都围绕同一只百宝柜。

04 · RoboCasa（2024 · 大规模厨房仿真 + 真机复现）

一句话定位：RSS 2024（arXiv 2406.02523）的仿真框架 + 基准，把厨房场景做成「可程序化生成的任务宇宙」，并在真机厨房做小样本验证。

任务与本体（仿真为主，含真机）：

• 场景：参考家装杂志的厨房平面图生成多种布局（Figure 2），几十种可交互电器（Figure 3：烤箱、冰箱、洗碗机、微波炉……）；
• 资产：2,509 个高质量 3D 物体、153 个类别（Figure 4）；
• 任务：100 个原子任务 + 由 LLM 引导生成的 75 个复合任务（Figure 5 展示 LLM 生成流水线：先列活动再展开技能序列）；
• 真机：真实厨房 + Franka Emika（Figure 8），少量演示下测迁移。

评测协议与指标（重点）：

• 仿真内按原子/复合分开报成功率；复合任务 = 技能串联（开柜→取物→放盘），失败会级联；
• 数据对照实验：人类演示 vs 机器生成数据学习曲线（Figure 6/7）；
• 真机评测（Figure 9）：真机厨房里逐任务成功率，验证仿真训练策略的可迁移性；
• 长期演进：RoboCasa→RoboCasa365（见第 10 章）把它推到预训练规模。

插图逐张

Figure 1：四支柱总览

十二宫格厨房渲染：不同平面图、不同装修、带机械臂的工作位。文字层（论文原图）列出四支柱：场景/资产库、任务生成、数据引擎、基准。读图抓手：「厨房先于任务」——先把可复用的家居世界搭出来，任务再往上长。

Figure 2：厨房平面图族

从家装杂志归纳的平面图模板（一字型/L 型/岛台型……）及变体。评测意义：布局多样性是泛化维度的供给侧——同任务跨平面图测试才有效度。

Figure 3：可交互电器

几十种电器的外观与开门/抽拉交互形态。原子任务大多绑定在这些电器上（开、关、取、放），构成 100 任务的骨架。

Figure 4：2,509 个 3D 物体

按类别陈列的物体网格（餐具、食材、清洁用品……）。资产级多样性支撑物体泛化：训练见同类不同实例，测试换实例。

Figure 8：真机厨房实验设置

真实厨房台面 + Franka 机械臂 + 相机机位。这是本 benchmark 的「真机锚点」：仿真里量吞吐和多样性，真机上验证接触与视觉差异——与 RoboDojo 的 sim/real 分工哲学一致（见姊妹篇）。

生态位：家庭厨房任务的事实标准之一；LIBERO 管「桌面短程」、RoboCasa 管「厨房长程 + 电器交互」。

05 · SimplerEnv / SIMPLER（2024 · 把真机实验搬回仿真复测）

一句话定位：CoRL 2024（arXiv 2405.05941，Stanford/Google 系）的 real-to-sim 评测套件——不发明新任务，而是复刻已有的真机基准装置（Google Robot、WidowX+Bridge），让仿真成绩能预测真机排名。

任务与本体（仿真复刻真机）：

• Google Robot 装置：everyday-robot 本体、头置 egocentric 相机、控制频率 3Hz——任务含 “pick coke can”、“open/close drawer” 等（RT-1 系任务集）；
• WidowX + Bridge 装置：WidowX-250 六轴臂 + C920 第三视角相机、5Hz——“put the spoon on the towel”、“stack the green block on the yellow block” 等四任务组。

评测协议与指标（重点）——本 benchmark 的灵魂在协议：

• Visual Matching（视觉匹配）：把仿真外观调到贴近真机（背景/桌面/物体质感），考「同分布复测」；
• Variant Aggregation（变体聚合）：同任务大量随机变体取聚合，考稳健估计；
• 系统辨识（SysID, Figure 3）：标定质量/摩擦/控制增益，关掉控制层鸿沟；
• 相关性指标：MMRV（Mean Maximum Rank Violation，越低越好）+ Pearson r——共约 1,500 episode 的真机-仿真对，证明仿真能复现策略排名与失败模式（不只是数值接近）；
• 拓展用途：预测策略对分布偏移的敏感度（如臂部贴图变化对 Pick Coke Can 的影响，Figure 8/10）。

插图逐张

Figure 1：SIMPLER 套件总览

左：真机上挨个测策略费时费力；右：SIMPLER 的仿真孪生环境（Google Robot / WidowX 两套装置的仿真渲染对照）。要点：评测对象是「装置」不是「任务发明」——装置对齐了，策略成绩才有可比性。

Figure 3：系统辨识

真机-仿真闭环对照示意：辨识控制参数（质量、摩擦、增益）把「同样的动作指令」变成「同样的运动效果」。没有这步，成功率差异可能全来自物理参数而非策略。

Figure 4：视觉匹配

真机场景照片 vs 仿真复刻的并排对比（背景、桌面、光照、物体质感对齐）。与 Figure 3 合起来就是 SIMPLER 的两板斧：先关控制 gap，再关外观 gap。

Figure 10：变体聚合环境网格

同一任务下大量布局/物体/位姿变体的仿真渲染网格。用于 Variant Aggregation 模式：单点成绩不可信，变体分布上的聚合才与真机排名相关（论文核心统计就建立在这上面）。

生态位：OXE 时代 VLA 的真机成绩代理——OpenVLA/Octo/RT-1-X 系工作大量用它做「不碰真机的真机评测」；ManiSkill3 里也内置了部分 SIMPLER 环境（见第 08 章）。

06 · BEHAVIOR-1K（2024 · 1000 个日常活动的「人本」大基准）

一句话定位：NeurIPS 2024（arXiv 2403.09227）——1,000 个经人类偏好筛选的日常活动 × 50 个写实室内场景，跑在物理仿真 OmniGibson 上，主打「活动级」而非「技能级」评测。

任务与本体（仿真，含真机对照分析）：

• 活动定义来自 BSS（Behavior Specification Schema）：先对 2,090 个活动做人类偏好/可行性调查再入选 1,000 个（Figure 1）；
• 覆盖清洁、烹饪、收纳、派对准备等全身-多物体长活动（附录列出 BakingSugarCookies、PackLunch 等谓词化定义）；
• 仿真器 OmniGibson（iGibson 系）：50 场景、丰富物体状态（开/关、脏/净、装/空）与逻辑谓词成功判定。

评测协议与指标（重点）：

• 成功 = 一串逻辑谓词在终态全部满足（不是单点接触）；活动可拆子步骤；
• 仿真器可信度对比：OmniGibson 3.20±1.23 > Habitat 2.0（1.74）/ AI2-THOR（1.73）/ iGibson 2.0（1.69）/ 3DWorld（1.65）的人类评分（Figure 2 内小图）——「写实度」本身被当成基准指标；
• 基线 RL-VMC（端到端视觉运动）/ RL-Prim（原语+历史）大面积失败（Table 2：RL-VMC 完全失败）——证明 1000 活动远超当前能力；
• Sim-Real 差距刻画（Figure 5）：真机-仿真同场景并排 + 传感器信号对照，量化物理/视觉鸿沟。

插图逐张

Figure 1：人本筛选流程

左：2,090 个活动的人类偏好得分分布（先问人「这事值得机器人做吗」）；右：筛选管线到 1,000 活动的漏斗。与其他 benchmark 的本质区别：任务集的供给侧是人类价值排序，不是研究者拍脑袋。

Figure 2：数据集 + OmniGibson 二元结构

左：BEHAVIOR-1K Dataset（活动定义、物体知识库、谓词）；右：OmniGibson（场景/状态/物理渲染），中间嵌五仿真器人类评分对比（OmniGibson 最高 3.20）。评测含义：知识库 + 物理引擎双轮——活动考的是「常识级状态理解」而非纯几何。

Figure 5：Sim-Real 差距刻画

真机场景与仿真场景的并排放样（含传感器信号对照）。这是论文的「诚实度」图：明确 1000 活动是仿真主场，真机只用于刻画差距而非刷榜——与 RoboDojo「真机协议化复测」形成互补。

生态位：活动级/家务级评测的代表；学习类方法目前只能啃它的一小角（长程+状态谓词双重难），更常被用作「还有多远」的方向标。

07 · VLABench（2024 · 为 VLM/VLA 定制的语言-推理操纵基准）

一句话定位：ICCV 2025（arXiv 2412.18194，复旦 OpenMOSS 等）——100 类任务（60 原子 + 40 复合）、2,000+ 物体，专为「语言条件操纵（LCM）」设计的仿真基准，把世界常识/隐式意图/多步推理写进任务书。

任务与本体（仿真）：

• 多本体支持（Figure 10 跨本体）、多样场景（Figure 11）；观测为四视角 RGB + 点云 + 本体（Figure 7）；
• 任务例：“order a latte” 类多步交互（Figure 2）、Select Toy / Insert Flower / Physics QA 等（Figure 8 六个维度样例）；
• 能力六维：网格纹理理解、空间理解、语义转换认知、常识/世界知识、物理规律、长程推理（Figure 1 右侧大面板）。

评测协议与指标（重点）：

• 分维度成功率 + 难度分（子步数归一化，论文称难度显著高于同类）；
• 双赛道：动作策略（VLA 微调，官方发布 π0 微调 ckpt）与 VLM 推理管线（四视角+分割掩码 → 规划，Figure 6 管线；GLM-4V/MiniCPM/LLaVA 等基线，Figure 5 雷达图）；
• 泛化切片：视觉/知识迁移、语言指令泛化、未见相似任务、复合任务（Figure 4 四格）；
• 关键结论：SOTA VLA 与 VLM 工作流都在这套题上不及预期——隐式意图与常识是短板。

插图逐张

Figure 1：总览与六维能力

左侧上下两块：Skill Learning（Pick/Place/Insert/Hang/Tool-Use/Twist/Open/Close 八技能）与 VLA Architecture/Robotic Pretraining 的互促箭头；右侧九大样例拼六大能力（网格纹理、空间、语义转换、常识世界知识、物理规律、长程推理）。这张图是本章的「考纲」。

Figure 2：长程推理任务样例

“order a latte” 交互片段：多步、含隐藏状态（哪个杯子/哪步已做）与常识（制作顺序）。对比传统 pick-place 基准：考的是「知道该干什么」而不只是「能碰到什么」。

Figure 3：各维度任务样例

上排原子任务、下排复合任务的场景渲染网格（选物、插入、清洁、摆放等）。解读：同一场景重复出现不同指令——语言是任务开关，这正是 LCM 的定义性设定。

Figure 7：任务观测

一个 Select Toy 实例的完整输入包：多机位 RGB、3D 点云、专家轨迹示意。评测时输入配置（四视角？带不带点云？）必须写清——不同输入档成绩不可直接横比。

生态位：与 LIBERO 互补的「语言+推理」档；同时给 VLA 和「VLM+规划器」两种范式出题——这一点在别处少见。

OpenWAM-α 视角（2609.07398）：α 在本榜得 58.9 分（对照 π0 29.4、π0.5 48.1）——同为「语言+推理」难档，视频底座 WAM 的优势在长程与常识任务上兑现（见 OpenWAM-α 精读）。

08 · ManiSkill3（2024 · GPU 并行仿真框架 + 通用基准）

一句话定位：RSS 2025（arXiv 2410.00425，SAPIEN 系）——最快的状态-视觉 GPU 并行机器人模拟器（30,000+ FPS、比同类快 10–1000×、省 2–4× 显存），同时是覆盖操纵/移动/运动/人形的通用基准与 real2sim 数字孪生工具箱。

任务与本体（仿真为主 + real2sim）：

• 任务族横跨：桌面操纵、移动操纵、运动、人形全身、多机协作、绘画/清洁、灵巧手（Figure 1 任务类别带 + Figure 6 异构并行示例）；
• 16+ 机器人支持 CPU/GPU 双模式（Figure 14 机器人库：Franka、xArm、Koch、AnyMAL-C、四足、人形……）；
• real2sim：数字孪生（Figure 8 三类孪生：视觉绿幕对齐、关键点对齐、整环境对齐）+ 真机 Koch 键插入案例（Figure 23）。

评测协议与指标（重点）：

• 标准化：GPU 批量 rollout 的成功率（100+ episodes 起）、随机初始位姿；
• 基线矩阵：RL（PPO/SAC/TD-MPC2）、模仿（BC/Diffusion Policy/PerAct）与通才模型评测（Octo、RT-1X）（Figure 25：含与真机成绩的对应，且实现了 SIMPLER 四环境——与第 05 章打通）；
• 速度指标本身入论文：FPS vs 并行数曲线（Figure 4/30-35 系列）——吞吐就是评测能力（能便宜地跑 1k episodes）。

插图逐张

Figure 1：任务类别全景

从房间级任务到人形交互的任务类别横带渲染。读图抓手：「一个框架管四类机器人行为」——这是它与纯操纵基准（RLBench/CALVIN）的定位差异。

Figure 6：异构 GPU 并行

同一 GPU 批里混跑不同自由度/不同结构的环境（方块堆叠、推 T、抽屉柜……）。技术含义：常规向量化只能克隆同场景，异构并行才能在一次前向里评测多样任务——通才策略评测的算力前提（与 RoboDojo 的异构并行同思路，见姊妹篇）。

Figure 14：机器人库

16 种支持机器人的模型阵列（单臂/移动/四足/人形/灵巧手）。评测含义：本体多样性是「跨本体」实验的供给侧——同一任务换本体即成迁移题。

Figure 25：通才模型评测

Octo 与 RT-1X 在 4 个任务上的成功率（含与真机对应关系的标注）。这张图点出 ManiSkill3 的另一身份：real2sim 策略评测台——不训练新模型，也能用 GPU 并行便宜地复测已有 VLA。

生态位：工程底座型 benchmark——想「快、省、跨本体」就用它；SimplerEnv 的部分环境也建于其上。

09 · RoboTwin 2.0（2025 · 双臂数字孪生数据引擎 + 基准）

一句话定位：2025（arXiv 2506.18088）——数字孪生 + MLLM 代码生成驱动的双臂数据引擎与基准：自动生成任务代码与演示、强域随机化，产出直接喂 VLA/WAM（WorldScape 等榜的 RoboTwin 主表即此）。

任务与本体（仿真为主 + 真机）：

• 50 个双臂操纵任务（Figure 8 任务网格：倒水、叠碗、穿孔、鞋盒……）× 5 种双臂本体（Figure 5：ARX X5 等五本体）；
• RoboTwin-OD 物体数据集：147 类、731 物体（Figure 7），任务与物体可重组；
• MLLM 专家代码生成（Figure 2/3 流水线）：技能 API + 大模型写任务代码，成功率 71.3%（对比人类手写/1.0 版本曲线，见 Figure 1 内嵌条图）；
• 真机：四配置真机对照实验（Figure 10）验 sim2real。

评测协议与指标（重点）：

• clean vs randomized 双条件：clean 干净渲染、randomized 加域随机化（Figure 4：场景杂乱/光照/桌高/背景+语言扰动 + 11k 纹理库），主表报两列成功率；
• 与 1.0 对照：同任务子集上 2.0 的训练数据让策略更强（Table 2/3/8「策略稳健性提升」实验）；
• 两条评测轨道（OpenWAM 论文的命名口径，已成为通行引用格式）：RoboTwin2.0-Full = 用 clean+randomized 混合全集训练（2,500 条 clean + 25,000 条强随机化演示），再分别在 clean/randomized 环境评测——考域内上限（OpenWAM-α 得 93.60，Qwen-RM 93.85 略高）；RoboTwin2.0-Clean2Random（C2R） = 只用 clean 演示训练、两环境都测——考域外泛化（α 69.0，Fast-WAM 仅 4.7、π0.5 27.1——随机化鲁棒性是大淘汰赛）；
• 榜单：官方 leaderboard 按任务均值排名（XPolicyLab 榜单亦收录，见第 12 章）；
• 成功判定按任务脚本谓词；每任务多 episode 聚合。

插图逐张

Figure 1：总览

Teaser 五板块：中央双臂数字孪生场景（RoboTwin 立体字 + 满桌物体）、Sim2Real 条图、Randomization 抽样带、Unseen Real-World 实机照片、Object Dataset + 100k+ 预采轨迹 + 排行榜入口。一图交代产品矩阵：孪生生成 → 随机化 → 真机验证 → 榜单。

Figure 4：域随机化与纹理库

(a) Fixed Scene vs Domain Randomization 对照带（场景杂乱、光照、桌高、背景、语言全可扰动）；(b) 11k 纹理库入口。读表关键：RoboTwin 成绩必须看列——randomized 列才是抗性证明。

Figure 8：50 个双臂任务

50 个任务关键帧的密集网格（双手配合类任务为主：倒、叠、插、装箱、翻页……）。对照单臂基准（RLBench 等）：双臂协同是这个榜的差异化能力位。

Figure 10：四配置真机评测

真机侧四配置并排（本体/场景变体）的评测实拍条带。意义：它是「数据引擎 + 可信真机抽检」的组合，纯真机榜（RoboDojo）与纯仿真榜之间的中间形态。

生态位：双臂数据供给第一名梯队（WorldScape/R2SI、多家 WAM 的主训练/评测场）；结论读取时永远带 clean/randomized 双列。

10 · RoboCasa365（2026 · 把厨房基准抬到预训练规模）

一句话定位：ICLR 2026（arXiv 2603.04356）——RoboCasa 的「365 天」完全体：365 个日常任务、2,500 个厨房场景、2,200+ 小时数据（600 人类 + 1,600 合成）、500K+ 轨迹，定位从「评测场」升级为「预训练 + 基准双职责」。

任务与本体（仿真为主 + 真机）：

• 场景：2,500 个厨房（Figure 2：预训练场景族 vs 目标场景分区展示）；
• 任务：365 个日常任务，其中 300 个复合任务由 LLM 展开（Figure 3：技能链拼装）；另有原子任务族；
• 数据：2,200+ 小时 = 600+ 人类遥操作 + 1,600 合成（Figure 1 信息图）；
• 真机：真实厨房 + Panda（Figure 6）。

评测协议与指标（重点）：

• 两段式：①预训练（大模型吃 365 任务族数据）→ ②后训/下游（原子见过/复合见过/复合未见三档切片，附录 Figure 7–9 全列）；
• 对照实验矩阵：人类预训练 vs 合成预训练（Table 1）、基座模型增益（GR00T N1.5：全参 vs LoRA，Table 10）、终身学习四阶段（Table 3）、任务多样性消融（Table 4/8：剔高多样性场景下游掉分）；
• 真机四任务小样本协议（Figure 6 配文）：CloseElectricKettleLid 等 4 任务，前三个各 30 条演示、最后一个 50 条共 140 条真机演示；对比 Real Only vs Sim-and-Real（先用仿真 150 个最高分任务 mid-train 再共微调）——仿真预训练给真机带来的增益是主打结果；
• 扰动鲁棒性（Table 9）、相机三视角 256×256（Figure 10）。

插图逐张

Figure 1：总览信息图

中央「365」徽标 + 六向数据面板：Diverse Scenes（365 Everyday Tasks / 2,500 Kitchen Scenes / 3,200+ Objects）、Rich Object Library、Interactive Fixtures、2,200+ Hours（600+ Human, 1,600+ Synthetic）、500K+ Trajectories、Systematic Benchmarking；下方 Wide-Ranging Skills / Long-Horizon Mobile Manipulation（热狗任务链示例）/ Semantic Reasoning。这张图就是规模声明书。

Figure 2：厨房场景族

上排预训练用的多样厨房渲染、下排目标/评测场景——场景分区是「预训练不泄漏下游」的视觉证据。

Figure 3：300 复合任务

复合任务的技能链图示（取材→加工→放置的串联）。与 RoboCasa 的 75 复合相比：4 倍规模 + LLM 流水线化，复合成功率仍是主要短板指标。

Figure 6：真机 Panda 厨房

真实厨房里的 Panda 臂工作照（微波炉/咖啡机/烤面包机/水槽同框）。配合「140 条演示、Real Only vs Sim-and-Real」协议阅读：小样本真机是预训练价值的试金石——与 RoboCasa Figure 8 一脉相承但结论更进了一步。

生态位：家庭操纵的「预训练数据引擎」新标杆；与 RoboDojo 分工：一个供训练+基准，一个专精评测治理。

OpenWAM-α 视角：本榜难度极高——α 平均分 38.2，对照 π0.5 仅 6.91、Fast-WAM 2.03（见 OpenWAM-α 精读 Fig. 11）——移动单臂 + 长程家务仍是集体洼地。

11 · MagicSim（2026 · 给整个赛道供「可执行世界」的仿真基础设施）

一句话定位：2026（arXiv 2606.17511）——统一的具身交互执行基础设施：确定性批式运行时把「规划器落位的长程 episode」变成数据；RoboDojo 的仿真栈即构建于 MagicSim 之上（见 RoboDojo 精读 的技术实现章节），71 页技术报告级别。

任务与本体（仿真框架，非任务集）：

• 核心循环（Figure 1）：Command → Skill → Planner → Robot → Record，支持 Agent/VLM API 接入与 AutoCollect 轨迹采集，输出标注富数据（RGB-D、EE 航点、轨迹、affordance、语言、2D/3D 框）；
• 15 个仿真家族（Figure 5，K=15）：刚体、铰接、可变形、流体、地形、房间、传感器、avatar 等耦合多物理；
• 支持对象级与房间级随机化布局（Figure 7，三条布局主干：声明式/VLM/启发式约束求解统一产出 pose plan）与多本体（Figure 10：机械臂、移动底盘、人形、avatar 等）；
• 感知/控制栈：cuRobo 碰撞球模型、三级控制栈、触觉多路由、飞控相机与 avatar IK。

评测协议与指标（重点）：MagicSim 自己不报任务成功率——它是评测的「运行时合同」：

• 确定性管理器运行时：全局种子扇出到每环境不相交子种子，reset/replay 按同一调度复现；
• 阶段化并行：世界状态、reset/replay、物理步进、渲染分级并行（Table 2）；
• MDP 任务契约：不同任务实例化不同 MDP 但暴露统一观测/动作/奖励接口（Table 17）——上层 benchmark（如 RoboDojo）只写配置不写引擎；
• 价值指标是吞吐、可复现性、标注完备性，不是 SR。

插图逐张

Figure 1：MagicSim at a glance

全景信息图：中央 Executable Worlds / Long-Horizon Episode 椭圆，环绕 Command→Skill→Planner→Robot→Record 主链与示例技能标签（Squat Grasp Bottle、Nav & Place Bottle、Grasp Teapot & Pour Water……）；左侧 Agent/VLM API 开放接口，右侧 AutoCollect 数据通道与 Annotation-Rich Data 清单（RGB-D / EE 航点 / 轨迹 / affordance / 语言 / 2D-3D 框）。一图讲清「基础设施」的输入输出。

Figure 5：15 个仿真家族

家族阵列渲染：刚体/铰接/可变形/流体/地形/房间/传感器/avatar 等耦合多物理示意。评测价值：一个任务能同时摸到水、布、抽屉与颗粒物，才谈得上「日常交互」评测——这是很多纯刚体 benchmark 的盲区。

Figure 7：随机化布局

对象尺度与房间尺度的随机化布局渲染（不同主干产出的摆放计划对比带）。与 RoboDojo 的「公开布局 + 隐藏布局」防刷机制同一底层：布局即配置、种子即复现。

Figure 10：机器人本体库

已注册本体阵列（双臂、移动、人形、avatar 等）。MagicSim 的本体注册制让 benchmark 跨本体评测「换个描述文件就行」——与 ManiSkill3 的机器人库（第 08 章）同属供给侧基建。

生态位：评测基建的「底层」——你在 RoboDojo 里看到的异构并行与确定性重放，运行时来自这里。

12 · XPolicyLab（2026 · 一次接入、多个官方榜的策略评测生态）

一句话定位：2026（arXiv 2608.09892，MMLab@HKU & THU）——机器人策略评测与部署的统一标准与开放生态：写一个 adapter，策略就能跨仿真器/真机榜被公平复测（RoboDojo、RoboTwin 官方榜的执行层）。

是什么（框架，非任务集）：

• 左：异构策略运行时保持各自依赖、checkpoint 与推理流程（Figure 2 SVG 左右分栏）；右：评测环境保持各自仿真器/真机栈；中：标准化 serving 合同把两边缝合；
• 适配器四操作契约：构建加载、重置、逐步推理（a = g_out(π(g_in(o), s))）、批量查询；
• 支持策略矩阵持续扩充（Table I：π0/π0.5、OpenVLA、GR00T、Octo、各家 WAM……）。

评测协议与指标（重点）：

• 跨平台同策略复测（Figure 3）：同一份策略代码库 + 标准 serving 接口 → 同时参与 RoboTwin 榜、RoboDojo 仿真榜、RoboDojo-RealEval 真机榜（论文 Table II–IV 给出各榜 Top10 快照）；
• 接入成本研究：π0.5 接入 RoboDojo 仿真的中位工作量被量化（Table V，6 名参与者）——「接入成本」本身成为被评测的指标；
• 依赖隔离：策略的冲突 Python 栈被关进独立服务进程，评测端不受污染；
• 与 RoboDojo 反刷榜协议无缝衔接：远程 policy server + 隐藏布局验证都跑在 XPolicyLab 接口上。

插图逐张

Figure 1：标题页 Teaser

标题页版式：XPolicyLab 大字 + “Standard and Infra for Policy Evaluation and Deployment” + 官网 XPolicyLab.github.io；署名 XPolicyLab Contributors（MMLab@HKU & THU）。定位口号即本章第一句：标准 + 基础设施。

Figure 2：基础设施架构（矢量原图 SVG）

左右分栏大图：左 Heterogeneous policy runtimes（各策略保持原生依赖/checkpoint/流水线），右 evaluation environments（保持各自仿真器与真机栈），中央 XPolicyLab 以标准 serving 合同连接两端。读图抓手：两边都不改造，只在中间立接口——这是「一次接入多榜」成立的工程原因。

Figure 3：跨平台同策略评测

共享策略代码库 → 标准化 serving → 多个基准/榜单并联的流程图。结合论文榜表快照：RoboTwin 榜（按 clean 均值）、RoboDojo 仿真榜（按平均分）、RoboDojo-RealEval（真机）都由同一入口驱动——「榜出同源」。

生态位：评测治理层的关键拼图——RoboDojo 管「测什么、怎么算数」，XPolicyLab 管「策略怎么被一致地执行」；真机独立评测（RoboCurve）甚至把 XPolicyLab 列为一等集成对象。

13 · HumanCLAW-Bench（2026 · 人形全身「找-走-做」1,218 题）

一句话定位：2026（arXiv 2607.27180）——测「VLM 能否通过身体行动」的仿真 benchmark：1,218 个第一视角全身 find→navigate→interact episode × 41 栋室内住宅；9 个前沿 VLM 全军覆没，最好者仅 16.8%。

任务与本体（仿真，人形）：

• 任务形态：单一高层指令（“find a sofa and sit on it”）→ 人形在物理住宅里寻找目标、导航到达、用身体完成交互；
• 本体：被动关节刚度人形（仿真 120 Hz），执行端是技能条件运动生成器（Motion Base DiT，0.5s 技能块，Figure 4 机制）；
• 框架三件套：上下文推理 harness（Figure 2/3：开放式 VLM → 每 0.5s 推断低层运动技能）+ 运动生成 + 物理仿真闭环。

评测协议与指标（重点）——分级可失败归因：

• 三段漏斗指标：Find（目标在第一视角被渲染 且 被模型确认，FindSR）→ Nav（到达）→ Interact（坐上/触发等终态）；
• 难度分级：1,218 episode 按三段条件的分布打难度档（Figure 7）；
• 失败根因自动规则（Table 7 + Figure 8）：感知、具身自我认知（身体在哪、到没到、动作造成了什么）分桶归因——结论：瓶颈不在认出沙发，在知道「我已经坐下」；
• 附加：技能功能保真度（achieved/commanded，Table 1）、按身体分组的碰撞率（Table 5）、mini-val 100 题消融（Table 3）；
• 每 episode 控制步数封顶（3,600 步），VLA 类对照为 40 次模型调用上限（RoboCurve 引用的 caps 同源风格）。

插图逐张

Figure 1：三种行动体制

思想实验排布：(a) Code Agent（开环长步、无物理结果）、(b) Robotics Motion（毫秒级电机控制、可能失去平衡）、(c) Action Intelligence（亚秒闭环的观察-思考-行动，物理接地结果）。红蓝两例 “find the stairs…” / “find the long sofa and sit on it” 贯穿——这就是本 benchmark 要考的 (c)。

Figure 2：闭环框架

第一视角观测 → 开放 VLM（harness 内）→ 技能指令 → 人形执行 → 物理返回下一观测的环路图，标注 0.5s 决策节拍与技能插件化注册（新技能即插即用、不重训 VLM）。评测即跑这个环：每一步都是模型调用 + 物理步进的混合记账。

Figure 7：1,218 题难度分布

三个难度维度上的 episode 直方图（Find/Nav/Interact 各自的条件强度分布）。读图要点：题集刻意分级可分层归因——不是一刀切的总成功率，而是「卡在哪一段」。

Figure 8：失败漏斗

九个 VLM 的 Find → Nav → Interact 漏斗与分阶段失败柱图。核心结论可视化：能看见沙发的很多，能坐上去的 16.8%——失败大头在「导航到位后的具身确认与动作收尾」。

生态位：把评测从「桌面臂」抬到「全身人形 + 住宅尺度」；与 RoboCasa/BEHAVIOR 的「家务活动」相比，它考的是 VLM 这种通用智能是否具备身体感——当前全行业都是红灯。

14 · RoboCurve（2026 · 真机独立评测公司与其开源武器库）

一句话定位：2026 成立（YC 孵化、种子轮 $10M）的真机独立评测方：不训练模型、只做「第三方可信打分」；开源 Inspect Robots 框架（自称 “Inspect AI for robotics”）+ WorldEvals 基准目录 + 若干固定场景真机题（StationeryBench / KitchenBench / RoboHarm）。

是什么（真机评测服务 + 框架，无论文预印本）：

• Inspect Robots：定义一次机器人与基准，即可让任意 LLM agent / VLA 在真机或仿真上跑同一指令，产出可审计日志（评分器、LLM 全转录、完整配置）+ Rerun 可视化；集成 ROS、Isaac Lab、Cap-X、XPolicyLab（第 12 章的互证）；
• WorldEvals：可目录化的 VLA/物理 AI 基准清单，全部经 Inspect Robots 可跑；
• 固定场景真机题：StationeryBench（5 个双臂桌面文具任务）、KitchenBench（10 个厨房任务）、RoboHarm（5 个「危险指令应拒答」任务：刀与玩偶、喷雾与炉头等）；
• 榜单服务：官网实时榜——RoboDojo-RC Tier 1（RoboCurve 版真机 RoboDojo）与 RoboHarm 拒答率。

评测协议与指标（重点）：

• 真机优先，仿真兜底；同一指令、同一本体、同一重置流程；
• 调用配额公平化：LLM 类 40 次模型调用上限、VLA 类 3,600 控制步上限（官网榜注明 Caps）；
• RoboDojo-RC Tier 1 快照（值在前）：Dream-1 59、Gemini 4 Argon (high) 48、GPT-6 Astra (high) 43、GPT-6.1 Sol (high) 42、Opus 5.5 (high) 38、Gemini 3.8 Flash (high) 36、MolmoAct2 19、GR00T N1.7 10——真机长程任务上 LLM agent 与 VLA 同场；
• RoboHarm v1 拒答率：GPT-6 Astra 41%、Gemini 3.8 Flash 32%、Fable 5.1 24%、Opus 5.5 12%、GPT-6 Sol 0%——「会不会拒绝害人指令」也进了评测维度；
• 资助计划：$500K 池 + YAM 双臂硬件，征集 ≥20 任务的开源真机基准——在补「基准供给侧」的课。

插图逐张

Figure 1：StationeryBench 任务实拍——橡皮入盒

真实桌面双臂工位：收纳盒、直尺、笔、胶带与两台桌面臂 + 线缆管理的评测布置照。信息点：真机评测的第一性成本是「现场」——固定工位、固定光照、固定重置，才谈得上第三方可复现。

Figure 2：StationeryBench 任务实拍——尺子交接

另一任务的工位实拍（尺子/交接类桌面布置）。对照第 13 章的纯仿真人形：RoboCurve 代表了评测光谱的另一端——真机、小任务集、强协议、强审计；与 RoboDojo-RealEval 同域但更「第三方商业中立」的定位。

生态位：评测市场化的先行者；短板是任务集尚小、覆盖面依赖持续运营——但「独立真机打分」这个角色，学术榜单（无商业参与的 RoboDojo）与商业评测（RoboCurve）正好互相制衡。

🧩 第二辑 · OpenWAM 评测栈补充（15–19 章）

以下五章按 OpenWAM-α 精读（arXiv 2609.07398）的评测栈补齐：该文把八个仿真基准、五类本体接入同一策略服务器，九条榜单（RoboTwin2.0 拆双轨）成为 2026 年 WAM/VLA 横评的通行口径——本辑把用户点名的 LIBERO、LIBERO-Plus、RoboCasa-GR1、EBench、RoboDojo 五章讲透（RoboTwin 双轨已并入第 09 章、VLABench/RoboCasa365 成绩已注入第 07/10 章）。

15 · LIBERO（2023 · 终身学习四套件，VLA 时代的第一考场）

一句话定位：NeurIPS 2023（arXiv 2306.03310）——130 个语言条件任务、四套件（Spatial/Object/Goal/Long）+ LIBERO-90/100 预训练集，最初为终身知识迁移设计，如今是 VLA 微调最常用的短程桌面考场（π0 系、OpenVLA 系、各家 WAM 全在此对表）。

任务与本体（仿真）：Franka 桌面、程序化生成；四套件各 10 任务换措辞/物体/目标/长程结构，专测「换一种说法还会不会」。

评测协议与指标（重点）：每任务多 episode 成功率、分套件报告 + 四套平均；终身学习场景另设五种迁移设定与任务顺序消融——论文著名反直觉结论：顺序微调在正向迁移上胜过 EWC/ER 等经典算法。

插图逐张

Figure 1：LIBERO 总览（复用 LIBERO 专文图）

四套件与终身学习设定的总览图（同图另见 LIBERO 精读）。读表须知：97%+ 的平均分在 LIBERO 上已不稀奇——OpenWAM 榜单显示头部六七个模型挤在 96.9–99.4 区间（α 99.3、ABot-M0.5 99.4），区分度已让位给 LIBERO-Plus/RoboTwin-C2R 这类压测轨。

生态位：VLA 时代的「入场券考场」；短板是分布内过饱和——所以才有了下一章的鲁棒性加强版。

16 · LIBERO-Plus（2025 · 给 LIBERO 加 21 种「扰动刑具」）

一句话定位：arXiv 2510.13626（Fei et al.，复旦/同济/NUS，CVPR 2026）——10,030 个任务 = 7 大扰动因子 × 21 个子维的鲁棒性压测基准：同一个任务，改光照、改相机、改初始位姿、改物体布局、换措辞……看模型还剩多少分。

任务与本体（仿真）：LIBERO 任务系扩展；扰动覆盖物体布局、光照、指令/目标替换、背景纹理、机器人初始状态、传感器噪声等七族。

评测协议与指标（重点）：原条件成功率 vs 各扰动档成功率（难度分级递进）；还做「配对扰动」热力图与指令移除/目标篡改的对照——头号发现令人倒吸凉气：模型普遍「语言忽视」——OpenVLA-OFT 原条件 97.1%，相机扰动掉到 59.7%、初始状态扰动只剩 37.2%，而语言怎么改都「不太影响」= 根本没听。

插图逐张

Figure 6：基准架构——10,030 任务全景

中央「10,030 tasks」徽标，七向扇出七个扰动因子，每因子再挂 21 个底层子组件；两侧标注数据流水线（扩展生成→过滤→分级）。读图抓手：规模不在任务花样，而在「同一任务 × 扰动网格」的组合数——这才能把 97% 的模型按到 40% 以下。

生态位：VLA 鲁棒性体检套餐；OpenWAM-α 在此 69.2（对照 Qwen-RobotManip 89.0 更高、π0.5 84.4——鲁棒榜是视频底座 WAM 的相对短板）。

17 · RoboCasa-GR1（2025–26 · OpenWAM 评测栈的灵巧手赛道）

一句话定位：OpenWAM 评测栈中 Dexterous-hand 赛道的仿真基准：任务系承接 RoboCasa（Nasiriany et al., 2024），本体/设定引用 NVIDIA et al., 2025 一脉的灵巧手方案；八基准里唯一考「多指手 + 日常家居任务」的组合。

任务与本体（仿真）：RoboCasa 家居任务落到灵巧手本体（与第 04/10 章的夹爪厨房任务同域不同手）——24 维灵巧手槽位正来自 OpenWAM 的 80 维统一动作空间设计。

评测协议与指标（重点）：与其他七基准同一策略服务器协议；成功率单指标；这是跨本体统一动作空间的压力测试——夹爪 1 维开合与 24 维手指关节共用槽位语义，映射表出错分数立刻塌。

插图逐张

RoboCasa-GR1 榜单面板（OpenWAM Figure 13 局部）

OpenWAM 九连板中本榜局部：OpenWAM-α 60.5，对照 π0 13.6、π0.5 37.0、StarVLA 48.8、Being-H0.7 49.2——夹爪系模型换到灵巧手赛道全线腰斩（π0 在普通桌面榜 94+，此处 13.6），再次验证「灵巧手是本体鸿沟不是任务鸿沟」。

生态位：OpenWAM 栈内唯一灵巧手仿真榜；真机灵巧手对照见 OpenWAM-α 精读 Fig. 14（90.0 分、未见过的本体 + 四种 OOD）。

18 · EBench（2026 · 移动双臂的「元素级诊断」）

一句话定位：arXiv 2606.18239（Gao et al.）EBench: Elemental Diagnosis of Generalist Mobile Manipulation Policies——26 个任务横跨 pick-and-place、长程、灵巧与精密三族，装在移动双臂本体上，主打按能力元素拆分归因的诊断式评测（OpenWAM 栈归为 Mobile bimanual 赛道）。

任务与本体（仿真）：移动双臂（带底盘）——比桌面双臂多出「基座移动 × 双臂配合 × 精密」三重耦合；12 个预留动作槽里的底盘通道正是为它与 RoboCasa365 准备。

评测协议与指标（重点）：五轴能力分解（操作模式/时间结构等任务级三轴 + 泛化轴）；数据切分 Validation-Train / Validation-Unseen / Test 三档——像切蛋糕一样看「练过但没见过」与「完全没见过」的差值；配 per-task 热力图定位病灶任务。

插图逐张

Figure 1：总览——单套件覆盖多能力轴

单幅总览：三族任务（pick-and-place / 长程 / 灵巧精密）+ 能力轴分解示意，强调「一个套件同时覆盖」——与 RoboDojo 的五维哲学同款，但把镜头对准移动双臂。

Figure 2：端到端管线

左侧 26 任务三族实例化、右侧评测管线（数据切分→执行→分轴统计→热力图）。评测含义：任务少而诊断颗粒细——适合「模型为什么在长程上塌」这类问题，而不是刷总榜。

生态位：移动双臂诊断首选；OpenWAM-α 49.4（Being-H0.7 49.2 咬得很紧）——这条赛道尚未出现统治者。

19 · RoboDojo（2026 · 统一仿真-真机评测场，专文姊妹章）

一句话定位：已在专文深挖的旗舰评测场——42 仿真任务五能力维（泛化/记忆/长程/精密/开放指令）+ 18 真机任务 × 三双臂本体（ARX X5/Piper/Piper X），非营利榜单治理 + 隐藏布局防刷 + XPolicyLab 统一接入；本章只补作为 OpenWAM 九榜之一的口径要点。

评测协议与指标（重点）：平均分（score，部分进度）+ 成功率（SR）双指标；总分=五维均值；OpenWAM-α 的 11.92 是分数制口径（对照 π0.5 6.91、π0 29.4→注意方向与榜单时序），不是成功率——与 RoboDojo 精读的 7 月快照（最佳 13.07 分/8.80% SR）同一体系；真机侧 OpenWAM 报 37.6 分/24.4%（对照 π0.5 22.9/12.8）。

插图逐张

Figure 2：42 仿真 + 18 真机任务总览（复用专文图）

左仿真五维任务地图、右三本体真机任务阵列（详解见专文 Figure 2 逐图）。本章只强调读榜三件事：①带指标名（score vs SR）②带日期（榜单持续更新，7 月 vs 10 月差一个量级）③治理条款（隐藏布局/开源工件）先于分数。

生态位：见专文总表；在 OpenWAM 语境里它是九榜中唯一 score/SR 双报且含真机的成员。

🗺️ 19 榜横向总表：任务量、类型与「怎么测」

🤝 与 RoboDojo 的关系：一张分工图

把 RoboDojo 放回这 19 个名字中间，分工一目了然：

• 任务供给层：RoboCasa/RoboCasa365（厨房）、RoboTwin 2.0（双臂）、VLABench/CALVIN/RLBench/Meta-World（语言/技能/RL 经典）、BEHAVIOR-1K（活动级）——给「考题」；
• 运行时层：MagicSim（确定性批式仿真）、ManiSkill3（GPU 并行）、OmniGibson（状态物理）——给「考场引擎」；
• 接口与治理层：XPolicyLab（策略怎么接）、RoboDojo（考什么、怎么算数、怎么防刷、sim+real 双场）、HumanCLAW-Bench（新维度：全身人形）、RoboCurve（真机第三方审计）——给「考试制度」；
• 复测代理：SimplerEnv 把真机搬回仿真，与 RoboDojo-RealEval 的「真机标准化」互为镜像。

一句话：RoboDojo 是 2026 年「评测治理」的答案之一；本篇其余 13 个是它的上游（题、引擎、接口）与旁路（替代考场、真机对手盘）。

❓ 自测 Q&A

Q1：同样是「厨房」，RoboCasa 和 RoboCasa365 怎么选？
看目的：做评测/小样本方法→ RoboCasa（任务经典、引用多）；做预训练/大规模后训→ RoboCasa365（2,200+ 小时、365 任务、有 GR00T 级训练配方）。

Q2：SimplerEnv 为什么没有「自己的任务发明」？
它是 real-to-sim 评测器：任务与装置来自已发布的真机实验（RT-1/BRIDGE），价值在于成绩与真机排名相关（MMRV/Pearson），发明新任务反而会破坏这种相关性验证。

Q3：Meta-World 的 MT50 分数能说明「通才能力」吗？
只能说明多任务并训在同分布上的表现；它的任务短、桌面同构，通才含金量要看跨场景/跨本体/长程榜（RoboDojo、VLABench、HumanCLAW-Bench）。

Q4：XPolicyLab 和 RoboDojo 是什么关系？
分工互补：RoboDojo 定义任务与治理规则（隐藏布局、开源工件），XPolicyLab 提供把任意策略一致地执行在这些规则下的接口层；RoboTwin 等其他榜也复用同一接口。

Q5：HumanCLAW-Bench 为什么九个前沿 VLM 都只有 16.8%？
漏斗显示失败集中在 Nav→Interact 段：不是「看不见」，而是具身自我认知不足——不知道身体在哪、到没到、刚做动作造成了什么（论文 Figure 8/9 的失败根因分桶）。

Q6：真机榜单可信度靠什么？
两套制度互证：RoboDojo-RealEval 靠非营利治理 + 双盲评分 + 隐藏布局 + 强制开源工件；RoboCurve 靠第三方运营 + 调用配额公平 + 审计日志公开。看榜先看治理条款，再看分数。

📊 图表总索引（55 张插图）

（各章指标表、榜单快照与消融表已在正文以文字表格复现；55 张图片文件位于站内 /images/bench_*/、/images/paper/libero/、/images/robodojo/（复用）。）

📚 资源与延伸

• 姊妹篇：RoboDojo 精读（42 仿真 + 18 真机统一评测场、榜单治理全解）
• 各 benchmark 出处：Meta-World 1910.10897 · RLBench 1909.12271 · CALVIN 2112.03227 · RoboCasa 2406.02523 · SIMPLER 2405.05941 · BEHAVIOR-1K 2403.09227 · VLABench 2412.18194 · ManiSkill3 2410.00425 · RoboTwin 2.0 2506.18088 · RoboCasa365 2603.04356 · MagicSim 2606.17511 · XPolicyLab 2608.09892 · HumanCLAW 2607.27180 · RoboCurve robocurve.org（Inspect Robots 开源框架）
• 相关精读：LIBERO、HexaShell、EmbodiedEvo、WorldScape、π0.7、GR00T-N1.7
• 知识铺垫：WAM 世界行动模型全景分析、什么是世界模型