文章核心观点 - 具身智能行业正从研究走向工程落地，但缺乏统一、可规模化、可复现的评测体系已成为最大系统性风险，行业亟需从依赖“经验”和“直觉”转向“评测驱动” [2] - 仿真评测是解决真机评测无法规模化问题的唯一可行路径，而行业当前缺失的是一套面向工业级决策的评测基础设施 [13][21] - NVIDIA与光轮智能联合推出的开源评测体系Isaac Lab-Arena及其上构建的RoboFinals平台，旨在建立规模化的机器人评测基础设施，标志着具身领域迈入评测驱动的新阶段 [23][77] 行业现状与挑战 - 模型能力增长远超现有测试基准的边界，行业缺乏测量模型真实能力的“尺子”，研发决策依赖“经验”和“直觉” [2] - 行业展示的“完美”动作背后存在“过拟合”问题，机器人缺乏全面泛化能力，在场景变化时可能“手足无措” [4][5] - 当前评测存在诸多局限：专做1-2个场景、测试案例少、缺乏边界测试标准、测试场景不够规模化、测试要求与标准不统一 [6] - 真机评测在成本、周期、硬件稳定性与安全风险等因素上，无法支持大规模、并行、可重复的评测流程，结构上不可能规模化 [10][12] 现有评测基准的不足 - 现有广泛使用的具身仿真benchmark（如LIBERO、BEHAVIOR、RoboCasa）任务规模有限，场景变化受控，更多用于算法验证而非能力上限测量 [16][18] - 学术级benchmark普遍存在问题：任务与场景规模不足、忽略策略在边界条件下的失败模式、各自维护独立环境导致结果难以统一对比 [20] - 现有评测更像是“验证实验”，而非真正意义上的“能力测量”，无法回答模型在真实世界中的稳定工作能力及边界等关键工程问题 [20] 解决方案：工业级评测基础设施 - 仿真不是备选方案，而是具身评测唯一可行的路径 [13] - 行业真正需要的是一套能够面向工业级决策、统一和可规模化、确定性的具身评测基础设施 [21] - 工业级评测基础设施的目标是：测量模型在复杂真实世界中的能力边界；支持跨团队、跨版本、跨时间的工程级可比评测；为下一轮数据生成与模型设计提供明确反馈信号 [22] NVIDIA Isaac Lab-Arena 的核心创新 - Arena将评测从“写死的脚本”升级为可组合、可扩展的模块化系统，一个评测环境由物体、场景、任务、本体等模块按需组合、即时生成 [27] - 引入Affordance（可供性）作为中间抽象层，使任务绑定“可交互语义”而非具体资产，实现了评测体系跨物体、跨场景、跨本体的扩展能力 [28] - 将任务多样化本身工程化，同一任务定义可系统性地替换不同对象、机器人本体和环境结构，无需重写评测逻辑，能系统性覆盖整个任务分布以观察泛化边界 [30][31][37] - 设计为策略无关（policy-agnostic）的评测框架，不绑定任何特定策略或模型形态，配合并行能力与固定随机种子，使不同模型的结果可被稳定对比分析，类似CI工程流程 [34] - 评测与示教采集、数据生成、后训练过程形成闭环，其输出是可操作的工程信号，而非孤立的排行榜 [38][39] - 定位为开源、可扩展的评测底座，希望不同团队能在同一核心上共建评测生态，避免“各自为政” [41] 光轮智能的角色与RoboFinals平台 - 光轮智能具备全栈自研仿真能力，覆盖从底层物理求解（Solver）、面向交互的SimReady资产生产、框架层到应用层的完整工程链路，与Arena目标形成端到端能力对齐 [51][55] - 光轮智能长期服务全球主要具身智能团队，深度理解真实评测需求与失败模式，能将NVIDIA的评测框架延伸到真实工业使用场景，充当“工程放大器” [56] - 基于Isaac Lab-Arena，光轮智能构建并开源了RoboFinals工业级仿真评测平台，提供超过250个可直接运行的评测任务，覆盖家居与工业等核心场景 [62][64] - RoboFinals作为“工业级尺子”同时覆盖三层关键维度：支持人形机器人、机械臂等多类本体；覆盖从家居到工业的多样化场景；覆盖操控、移动等核心能力任务 [66][68] - RoboFinals已被通义千问等多家领先的模型团队采用，嵌入其内部研发流程提供持续评测信号 [71] - RoboFinals的评测任务已被纳入Hugging Face LeRobot生态，可被全球1300万开发者直接调用，从工具转变为基础设施 [73]