图注：一图读懂本文要点——具身大脑榜首次以真机实测为主，仿真能过关、真机未必（来源：源势AI）
一份新榜单，把机器人评测的考场从仿真环境搬到了真机。
SuperCLUE 发布首份具身大脑评测榜单，覆盖环境感知、物体识别、长任务规划、物理世界预判等维度，最大的不同是加入了大量真机实测，而不是只跑虚拟仿真（来源：快科技，转引自 Tech Digest《AI行业24小时_20261005_10》，2026-10-05）。
这个改动看着只是换了测试环境，但它动的是评测的含金量：仿真里能过关的模型，到了真机上未必还能过关。
排名怎么排的
榜首是 OpenAI 的 GPT-6 Astra，综合第一，优势集中在长逻辑推理与复杂任务拆解（来源：快科技，转引自 Tech Digest《AI行业24小时_20261005_10》，2026-10-05）。
国内的第一名有两位。阿里达摩院与中兴分数一致、并列第一，但强的地方不一样：阿里强在时空记忆——任务被打断之后，仍然记得没做完的那部分；中兴偏端侧落地，更适合直接跑在实体设备上（来源：同上）。
榜单同时给了国产模型两处短板：与 GPT 仍有总分差距；超长链任务上偶有判断出错，陌生环境下的泛化还有提升空间（来源：同上）。
真机考，难在哪
把考场搬出仿真，难度不是加一点，是换了一类问题。
沙利文把具身智能的落地难点归纳成四大商业化挑战：真实世界数据获取、工程化与制造、商业闭环、全球化部署（来源：沙利文《2025年全球具身智能与商用服务机器人独立市场研究报告》，2025）。报告把数据单列出来重点讲：真实世界数据的采集成本高，依赖机器人本体、传感器、测试场地和人工标注持续投入；机器人的训练数据没法像文本那样从网上爬，只能靠物理执行一条条记下来，遥操作、动作捕捉、第一视角视频，哪一种都贵、都慢（来源：同上）。
图注：数据、工程化、商业闭环、全球部署——沙利文列出的四道关里，数据排在首位，也是真机评测最想暴露的那一环（数据来源：沙利文《2025年全球具身智能与商用服务机器人独立市场研究报告》，2025）
云启资本在具身智能数据产业链的报告里把验收标准说得更直白：世界模型可以生成经验、预测后果和筛选策略，但只有在未参与训练的真实测试集上降低了失败、接管或测试成本，放大才具有产业意义（来源：云启资本《2026具身智能数据产业链与新基础设施研究报告》，2026）。真机考场想做的，正是这种"未参与训练的真实测试集"。
榜单之外，节奏看什么
读这类榜单，先看它的边界。SuperCLUE 的榜单由自己设计与评分，测试集与权重未完全公开；不同榜单测试集不同，排名常有出入，这一榜的差异只在于真机测试占比更高（来源：快科技，转引自 Tech Digest《AI行业24小时_20261005_10》，2026-10-05）。所谓"优势明显""遥遥领先"，是榜单结论，没有第三方交叉验证。
真正决定节奏的还是供给侧。沙利文对这条赛道给的三条判断是：具身智能的落地门槛高于数字智能，但长期价值更大；商用服务机器人（配送、清洁、导览、楼宇服务、医疗配送、工业轻量配送）有望成为具身智能的第一落地场景；"一脑多形"——用统一的智能底座连接多样本体——将成为下一代机器人的主流范式（来源：沙利文《2025年全球具身智能与商用服务机器人独立市场研究报告》，2025）。
图注：落地门槛高于数字智能、商用服务机器人先落地、一脑多形成主流范式——这三条判断指向的都是"能不能交付"，而不是"能不能演示"（数据来源：沙利文报告，2025）
评测榜对企业有什么用
榜单不能直接当采购依据，但它能改一件很具体的事：验收标准。
过去验收机器人，看的多是任务能不能完成、成功率多少。真机评测把标准推到更靠前的位置——同一套模型，换个场地、换批物料、换个人说话，成功率还掉不掉。
沙利文把最影响交付的几件事列得很清楚：产品要在感知、计算和执行能力与成本之间找平衡；海外不同市场的作业环境、劳动成本和使用习惯各不相同，本地化适配的门槛高；设备交付后还要长期运维、软件升级、故障响应和客户成功支持，服务能力不足会直接影响续费和规模化采购（来源：沙利文《2025年全球具身智能与商用服务机器人独立市场研究报告》，2025）。这几条对应到验收环节，就是三个问题：需求刚不刚需、流程标不标准、ROI 能不能在一个合同周期内算清。
源势AI观点
第一，真机占比应该成为读榜单的第一眼指标。仿真分数高不代表能落地，真机实测里"任务被打断后还能不能继续""陌生环境泛化掉不掉分"这类项，比综合排名更接近客户会遇到的场景。
第二，评测和采购要分开。榜单测的是通用能力上限，采购要的是你这个场景的下限。我们给具身项目做落地咨询时的做法是：先用榜单缩小供应商范围，再用自己场景的真实任务跑一轮小规模验证，两个结果不一致时，以后者为准。
第三，真机考场的价值不止在排名。它逼着行业把"数据从哪来"摆到台面上——谁先把部署场景变成数据采集场，谁就先形成飞轮。榜单每年可以重排，数据飞轮一旦转起来，差距会按季度拉开。
考场从仿真搬到真机，排名的意义跟着变了：从"这个模型有多聪明"，变成"换个地方，它还能不能干"。
话题标签：#具身智能 #机器人评测 #具身大脑
