Opus 5.5 领跑四模型横评

RoboColiseum 是一个面向具身模型的仿真评测平台，同时收录 vision-language-action 模型、world/action 模型和 agent 系统，按指令跟随、空间理解、通用操作、鲁棒性四条赛道打分。2026 年 10 月 20 日，Da Huang、Jichao Wang 等 11 位作者把平台上的跨模型评测写成技术报告挂到 arXiv 的 cs.RO 分类。报告写了一套叫 Agent2Act 的控制框架，把 GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 Argon 接到同一批样本、同一个随机种子上各跑一次；Opus 以 76.28 分居四者之首，Astra 75.99、Sol 70.91、Argon 66.86。

要点

四款模型这次有了同一套 harness 下的可比分数：综合分跨度 66.86–76.28，指令跟随 85.89–99.35，空间理解 69.38–82.50，通用操作只有 38.79–46.70。
总榜上专用策略模型仍占前二：Paimon 0.7754、HiDream-O1-Embodied 0.7692，Opus 0.7628 排第三；但 Table III 脚注写明外部条目「retain their respective training and execution settings」，它们没过 Agent2Act。
五类扰动里图像质量打击最大，Sol 的指令跟随分从 0.96 掉到 0.18（Δ0.77），Opus 从 0.97 掉到 0.76（Δ0.20）；基线是各模型的指令跟随分，不是综合分。

背景

在 RoboColiseum 之前，前沿模型当机器人策略的评测大多是单模型、各搭各的架子。报告引用的三份工作都在 9 月：RoboDojo 跑全部 42 个任务，Astra 与 GPT-5.5 按官方每任务 50 回合、DeepSeek-Flash 按每任务 10 回合；Astra 在 2100 次试验里平均成功率 22.48%、得分 28.97，后处理相同的情况下 GPT-5.5 只有 0.88%，DeepSeek-Flash 1.92%。Galbot 拆成六个域，与 π0.5 混合控制在 RoboDojo 子集上 48%；RoboICL 在 30 个任务上把 Astra 的零样本成绩提高 20–27 个进度分，总分 50.64。三组数字各自来自不同的任务集与 harness，横向拼不到一张表上。

本站 10 月 18 日写过 Manifold 的 R²SI 登顶 RoboDojo 智能体栏，那是「同一个 Astra 外面套不同的壳能提多少分」；这次反过来，壳固定成 Agent2Act，看「换模型差多少」。作为参照，Claude Opus 5.5 在 9 月 23 日发布时，Anthropic 把它定位成长时间编程 Agent 与知识工作的主力模型，讲的是通用能力与 API 价格，没有机器人控制这一项。

事实部分

报告的评测口径写得比较死：每个 case 每个模型跑一次，同赛道内四款模型用相同样本、同一个固定随机种子、同一套 Agent2Act；单任务分是该任务各 substep 分的均值，赛道分是所属任务分的均值，任务等权，不按 case 数量加权。四个赛道的任务全部用基准原始指令，不额外加任务提示；通用机器人指令与控制接口描述四款模型完全一致。

Table I 是四款模型的百分比分数（按综合分排序）：

模型	综合	指令跟随	空间理解	通用操作	鲁棒性
Claude Opus 5.5	76.28	96.60	82.50	46.70	79.30
GPT-6 Astra	75.99	99.35	78.33	45.86	80.42
GPT-6.1 Sol	70.91	95.50	77.71	40.01	70.40
Gemini 4 Argon	66.86	85.89	69.38	38.79	73.36

Table III 把四款模型放进 RoboColiseum 官方总榜，跟策略模型同表，0–1 尺度：

名次	模型	综合	指令跟随	空间理解	通用操作	鲁棒性
1	Paimon	0.7754	0.8961	0.6791	0.6613	0.8653
2	HiDream-O1-Embodied	0.7692	0.8913	0.7437	0.6442	0.7978
3	Claude Opus 5.5	0.7628	0.9660	0.8250	0.4670	0.7930
4	GPT-6 Astra	0.7599	0.9935	0.7833	0.4586	0.8042
5	GPT-6.1 Sol	0.7091	0.9550	0.7771	0.4001	0.7040
6	DM0.5	0.7076	0.8444	0.6146	0.6370	0.7344
7	Gemini 4 Argon	0.6686	0.8589	0.6938	0.3879	0.7336
8	GigaBrain-0.7	0.6504	0.8166	0.4729	0.6320	0.6800

任务数按 §III-C 的三张表逐项点：Table IV 指令跟随 10 项、Table V 空间理解 8 项、Table VI 通用操作 10 项，合计 28 项，鲁棒性另有 5 类扰动（Table VII）。中文二手报道里流传的「78 个高保真任务」在论文正文和表格里检索不到，全文也没有把 78 当整数单独用过。引用任务规模时，28 项任务加 5 类扰动是唯一能从表里数出来的口径。

成本只有相对结论，没有绝对数字。报告说 Opus 在四款里总分最高、总 token 消耗最少；Astra 与 Sol 总用量接近，Sol 略多；Argon 消耗最多。按参考 API 价格折算，Sol 用明显更低的估计推理成本拿到接近 Astra 的分数，Argon 的估计成本略高于 Sol。

能力画像

四条赛道的分数落差本身是这份报告最稳的结论。四款模型的指令跟随都在 85.89 以上，空间理解都在 69 以上，通用操作全部落到 46.70 以下，报告自己的说法是「强零样本指令跟随尚未转化为可靠的复杂物理操作」。

分任务看，短板集中在需要连续接触调整的活。通用操作里 clean desktop 四款只有 0.05–0.20，continuous sorting 0.00–0.07，pour workpiece 0.10–0.24；pot holding 上 Opus 0.60、Astra 0.41、Sol 0.23、Argon 0.00。空间理解里 bowl stacking 四款全是 0.00，报告给的原因是反复抓碗沿失败把步数预算耗尽。指令跟随的差距主要来自 straighten object 这一项：需要拿起来再转腕把物体摆正，Argon 0.60，其余三款 0.83–0.98。

案例部分只做了 Astra。它能协调底盘、躯干和机械臂完成扔垃圾、从柜子取杯、开门、推椅子；在 ARX、AgileX、G1、G2 四种本体上都能完成棋子收纳；家居场景里能走到厨房拿一罐雪碧放到餐桌。反过来，灵巧手叠碗在补充手指与手掌几何信息后仍然失败，手机充电和插网线能抓起来但对不准接口，硬币放置第一次没进槽、后面再也没抓起来。真机部分接的是 ARX Lift2，三台 RealSense D405 提供 RGB 与深度，结果由人眼判定：有深度后毛巾和衣物对折能成，多阶段叠衣服仍然失败。

鲁棒性

鲁棒性这一栏最容易读错。Table VII 的比较基准是每款模型自己的指令跟随分（Astra 0.99、Sol 0.96、Opus 0.97、Argon 0.86），扰动集从指令跟随测试集派生，只改一个维度，所以 0.18 不等于「综合分掉到 18」。

图像质量扰动包含头部与两个腕部相机的随机丢帧、镜头遮挡和多种噪声，是五类里打击最大的一类：Sol 从 0.96 掉到 0.18，Δ0.77；Astra 从 0.99 掉到 0.68，Δ0.32；Argon 0.86 到 0.60，Δ0.26；Opus 0.97 到 0.76，Δ0.20，同时是这一项的最高分。其余四类里，背景与光照让四款各掉 0.08–0.16，相机位置 0.10–0.20，指令改写 0.09–0.18，初始位姿 0.06–0.20。Opus 在五个维度上的跌幅最平；Argon 的指令跟随基线最低，但在扰动下与 Sol 相当，鲁棒性总分 0.7336 高过 Sol 的 0.7040。

框架消融

报告用 Astra 单模型做了七组 harness 消融，前六组跑 10 项指令跟随任务，历史那一组跑 4 种积木入盒布局。完整系统 9/10 成功，平均 16.7 次规划决策、32.50 分钟、118.8 个执行步。

拿掉执行偏差反馈，成功降到 8/10，决策增至 35.6 次，耗时 58.26 分钟（+79.3%）。拿掉抓手几何与接触说明，成功降到 7/10，决策 51.6 次（+209.0%），耗时 68.26 分钟（+110.0%），是六组里最差的一档。放宽 IK 校验反而把成功率推到 10/10，代价是决策 46.9 次（+180.8%）。改成直接关节控制，步数涨到 254.3（+114.1%），耗时反而降到 19.62 分钟（−39.6%）。拿掉历史记录，四种布局的成功率从 100% 掉到 50%，决策从 27.5 次涨到 66.5 次，耗时从 64.65 分钟涨到 131.81 分钟（+103.9%），两次失败都是已经抓起积木、在放置阶段重复同一动作。

这组数字说明「模型分数」里有一部分是壳给的。同一份报告在结论里也承认，推理成本与响应延迟仍是实际部署的主要障碍。

口径问题

口径问题集中在三处。第一处是 Argon 的档位。报告写明 Astra、Sol、Opus 用 high 推理档，Argon 只能用 medium，原因是这次评测所用的 API 通道在 high 档下太慢，撑不住批量评测；原文紧接着写「Comparisons involving Argon therefore reflect differences in both the model and its reasoning setting」。所以 66.86 与 76.28 的差距里混着模型与推理设置两个变量，不能当成纯模型差距读。

第二处是外部策略模型的口径。Table III 里 Paimon、HiDream-O1-Embodied、DM0.5、GigaBrain-0.7 来自官方总榜，脚注说外部条目「retain their respective training and execution settings」，浅蓝行只标出过 Agent2Act 的四款多模态模型。通用操作上 0.3879–0.4670 对 0.6320–0.6613 的落差是表里的原数，但一边过了 Agent2Act、一边保留了各自的设置，这个对比是「榜单同表」而非「同考卷」；外部条目具体用了什么观测与动作接口，报告没有交代。

第三处是利益相关。报告测的是 RoboColiseum 自家榜单，结论一节写这些发现将用来改进 RoboColiseum 的评测能力。四款模型的成绩由报告方自己跑出，论文没有提到任何独立复现。

中文二手报道另有两处需要打折扣。新智元 10 月 20 日的稿子（华尔街见闻转载）把「78 个高保真任务」和「仿真评测与实机部署的相关性高达 89.5%、差异小于 10%」当成平台卖点，这两个数字在论文全文与表格里都检索不到，只能算平台宣传口径。同稿把四款模型的图像质量跌幅 0.20 / 0.26 / 0.32 / 0.77 抄对了，但没有交代基线是指令跟随分。

编辑判断

对做具身智能的团队，这张表最有用的是分赛道看而不是看总分。要选一个模型当高层规划器，Opus 与 Astra 的指令跟随、空间理解都够用，0.29 分的综合分差距在单次评测里说明不了谁更好；要选一个直接输出动作的策略，四款通用模型的通用操作都在 0.47 以下，专用策略模型在同一张表上是 0.6320–0.6613，最弱的策略模型（GigaBrain-0.7 0.6320）比最好的通用模型（Opus 0.4670）还高 0.165，而四款通用模型在这一项上的全部跨度只有 0.0791。现在把前沿 LLM 放进机器人控制环，合理的用法是当决策层与纠错层，执行交给学出来的策略。

诚实的一面有三条。四款模型各跑一次、没有重复实验，报告没给方差，0.29 分（0–1 尺度上 0.0029）的 Opus–Astra 差距谈不上显著。Argon 降档、外部策略不过同一 harness、报告方评自家榜单，三处都削弱了「统一横评」这个卖点。消融只做了 Astra 一款，换模型后 harness 各组件的收益未必一样。

还缺的东西也清楚：论文没有给绝对 token 数与成本，只有相对排序；任务规模只能按 Table IV–VI 数出 28 项，外界流传的 78 项无从核对；真机只做了 Astra 一款、结果靠人眼判定，没有真机与仿真的相关性数字。

接下来

RoboColiseum 维护着一个官方总榜，报告结尾说会继续接入不同的多模态模型与 agent 系统，并把评测能力与模型能力放在同一个迭代循环里改进。可核对的下一步是榜单本身：新模型提交后，Table III 的名次会变，而 Agent2Act 的 harness 消融结论要等第二款模型复跑才能验证是不是通用规律。想自己判断这套评测值不值，可以拿本站记过的 OpenAI 机器人招聘当参照——那边在补执行器与制造的人，这边在量模型离执行还有多远。