具身智能评测大考：环境一扰动模型性能直接跌破30%

"实验室里啥都会，一到真实场景就露怯"——这大概是具身智能目前最扎心的写照。中国信通院10月16日发布的《具身智能发展报告（2026年）》用评测数据把这个问题翻了出来：**受控桌面操作的基准已经趋于饱和，可一旦环境扰动，模型性能普遍跌到30%以下**；仿真和真机评测的结果，也存在着明显落差。

基于800篇论文的评测家底

报告这份判断不是空谈，而是基于2026年公开发表的约800篇具身智能模型论文及其使用的公开基准做的统计。这些基准大致可分为四类：

- **具身认知类**：以静态问答式评测为主，考查空间感知、物理常识、记忆与规划等认知推理能力；

- **具身导航类**：以动态仿真评测为主，考查探索与移动能力；

- **具身操作类**：采用仿真或真机评测，考查操作与协同作业能力，真机评测已形成统考、诊断、开放面试、职业技能考试等特色模式；

- **具身安全类**：以仿真评测为主，从语义安全评测向闭环执行和物理后果评估扩展。

这四类基准，大致标定了当前具身智能的技术水位和应用边界。

数据亮出来，问题很具体。报告点出了当前能力的三个突出短板，也恰恰是被热度掩盖的真相：

**其一，环境扰动是"照妖镜"。** 受控桌面操作基准已趋于饱和——意味着在摆好、固定的环境下，模型已经练得不错；但环境一旦出现扰动（换个光线、挪个位置、加个遮挡），性能就普遍跌破 30%。这等于说：机器人练的是"背题"，不是"解题"，真实世界的随机性还远没被handle住。

**其二，精细操作做不细。** 精细操作、长程多步任务、开放语义交互，仍是当前模型最明显的短板——那些需要耐心、需要多步规划、需要听懂人话灵活应变的活儿，机器人还差得远。

**其三，仿真 ≠ 真机。** 仿真和真机评测结果存在明显落差，意味着在仿真里跑通的，搬到真机上可能要打折扣。

更进一步，报告还直指评测体系自身的三重困境：第一，评测的真实性、可复现性与低成本投入难以兼顾；第二，测试变量多且不可穷举，有限样本难以对性能接近的模型形成稳定结论；第三，现有基准与产业界真正关心的连续作业能力、任务节拍、运行成本等生产性指标存在错位。

换句话说——现在连"怎么科学地考机器人"都还是个开放问题，评测本身也是具身智能尚待补的功课。

这份报告的价值，在于把具身智能从"发布会上的高光"拉回到"评测台上的真实"。它提醒所有人：别被 demo 骗了，当前行业的真实能力水位，大概就是"固定环境不错、扰动环境露怯、真机打折扣"这个水平。

不过这并非唱衰——恰恰相反，评测体系的完善本身就是行业走向成熟的标志。认清短板，才知道下一步该往哪儿使劲：谁能先让机器人在真实扰动环境里稳住性能，谁就抢占了下一波竞争的先手。

一句话收束：具身智能的下半场，比的不是谁在实验室里分数高，而是谁能在真实世界的"乱"里站得住。评测这面镜子，照出的正是行业接下来要啃的硬骨头。