在具身智能技術(shù)快速發(fā)展的當(dāng)下，行業(yè)正面臨一個關(guān)鍵挑戰(zhàn)：如何建立一套科學(xué)、統(tǒng)一且可驗證的評測體系。當(dāng)前，各家企業(yè)與研究機(jī)構(gòu)在展示技術(shù)成果時，往往采用不同的任務(wù)場景和評測標(biāo)準(zhǔn)，導(dǎo)致不同系統(tǒng)之間的能力難以橫向比較，技術(shù)落地效果也缺乏客觀參照。這種“各說各話”的現(xiàn)狀，正阻礙著具身智能從實驗室走向真實應(yīng)用場景的進(jìn)程。

具身智能的特殊性在于，其技術(shù)表現(xiàn)高度依賴具體環(huán)境。同一系統(tǒng)在不同光照條件、物體材質(zhì)或任務(wù)順序下，性能可能產(chǎn)生顯著差異。然而，現(xiàn)有評測體系大多聚焦于高頻、簡單的標(biāo)準(zhǔn)化任務(wù)，如抓取成功率或路徑規(guī)劃效率。這類基準(zhǔn)測試雖能推動行業(yè)早期發(fā)展，但隨著模型能力提升，其區(qū)分度逐漸下降，難以反映系統(tǒng)在復(fù)雜環(huán)境中的真實表現(xiàn)。當(dāng)模型能夠穩(wěn)定完成基礎(chǔ)任務(wù)后，繼續(xù)在同類場景中“刷分”，更多體現(xiàn)的是工程優(yōu)化能力，而非技術(shù)本質(zhì)突破。

針對這一痛點，上海交通大學(xué)等機(jī)構(gòu)聯(lián)合推出的GM-100評測體系，試圖通過任務(wù)多樣性和評估系統(tǒng)性構(gòu)建新的評測范式。該體系包含100個任務(wù)，每個任務(wù)配備約100條訓(xùn)練軌跡和30條測試軌跡，總計1.3萬條操作軌跡。其核心設(shè)計理念是突破傳統(tǒng)評測的“舒適區(qū)”，重點覆蓋長尾任務(wù)和精細(xì)操作場景。例如，穿糖葫蘆、開抽屜、整理小物體等任務(wù)，既包含人類認(rèn)為復(fù)雜的操作，也包含看似簡單但實際對機(jī)器人極具挑戰(zhàn)的場景。這種設(shè)計迫使模型必須具備更通用的環(huán)境適應(yīng)能力，而非僅針對特定任務(wù)優(yōu)化。

GM-100的任務(wù)生成過程融合了人類交互原語分析與大語言模型輔助設(shè)計。研究團(tuán)隊首先系統(tǒng)梳理了人類與物體交互的基礎(chǔ)動作模式，再通過大語言模型生成候選任務(wù)，最終經(jīng)專家篩選形成任務(wù)庫。這種“人類經(jīng)驗+AI生成+專家驗證”的流程，確保了任務(wù)既貼近真實需求，又具備科學(xué)嚴(yán)謹(jǐn)性。例如，某些任務(wù)中，機(jī)器人需在物體被部分遮擋或位置偏移的情況下完成操作，這類場景在傳統(tǒng)評測中極少出現(xiàn)，卻能更真實地反映系統(tǒng)在動態(tài)環(huán)境中的魯棒性。

在評估指標(biāo)上，GM-100突破了單一任務(wù)成功率的局限，引入部分成功率（PSR）和動作預(yù)測誤差等多維度指標(biāo)。PSR通過量化多步驟任務(wù)的細(xì)節(jié)完成情況，揭示模型在復(fù)雜任務(wù)中的局部能力短板；動作預(yù)測誤差則衡量模型在新軌跡上的模仿精度，防止模型通過“走捷徑”完成部分動作。這種設(shè)計有效遏制了“刷榜”行為，鼓勵研究者關(guān)注模型的真實泛化能力。例如，在測試主流具身學(xué)習(xí)模型時，不同模型在GM-100上的表現(xiàn)差異顯著，證明其任務(wù)設(shè)計能夠拉開技術(shù)差距，為模型能力提供可靠參考。

為推動評測體系的開放與可信，GM-100團(tuán)隊采用了“社區(qū)共建”模式。他們開源了全部任務(wù)的詳細(xì)說明、物料清單（甚至包含淘寶采購鏈接）以及真實機(jī)器人操作數(shù)據(jù)，大幅降低了復(fù)現(xiàn)門檻。同時，平臺允許研究者自主上傳測試結(jié)果與證據(jù)視頻，并通過模型權(quán)重審核機(jī)制確保數(shù)據(jù)真實性。未來，平臺還計劃增加用戶點評、收藏等功能，形成“悠悠眾口”的監(jiān)督機(jī)制。這種去權(quán)威化的設(shè)計，既避免了單一機(jī)構(gòu)主導(dǎo)帶來的偏見，也通過群眾監(jiān)督讓“作弊”模型無處遁形。

GM-100的探索與LMArena等國際評測平臺形成呼應(yīng)。后者通過匿名雙盲對比和用戶投票構(gòu)建去中心化評估機(jī)制，而GM-100則通過跨平臺數(shù)據(jù)、詳盡交互說明和多維度指標(biāo)實現(xiàn)評估透明化。兩者的共同點在于，均試圖打破傳統(tǒng)評測對“權(quán)威”的依賴，轉(zhuǎn)而通過機(jī)制設(shè)計確保結(jié)果可信。這種范式轉(zhuǎn)變，或許預(yù)示著具身智能評測正從“實驗室標(biāo)準(zhǔn)”向“社區(qū)共識”演進(jìn)。

目前，GM-100的任務(wù)庫已覆蓋從簡單到復(fù)雜、從常見到罕見的全場景，但研究團(tuán)隊并未止步于此。他們計劃將任務(wù)數(shù)量擴(kuò)展至300甚至1000項，并推進(jìn)跨機(jī)器人平臺評測，以進(jìn)一步提升評測的覆蓋面。同時，未來評測維度可能納入進(jìn)度評分、安全性、社會價值等指標(biāo)，推動具身智能向更工程化、更貼近真實需求的方向發(fā)展。盡管數(shù)據(jù)集構(gòu)建需要大量“擰螺絲”般的基礎(chǔ)工作，但研究者相信，這種“臟活累活”終將為行業(yè)技術(shù)演進(jìn)提供關(guān)鍵坐標(biāo)。