別再只盯著大模型競技場了！具身智能的“終極排位賽”——Embodied Arena 剛剛上線。

作者丨湯宏垚

具身智能是當前最為火熱的研究領域之一，然而，面對海量的模型和基準測試，研究者們常常陷入茫然和困惑——哪些模型的綜合具身能力最強？如何客觀評價具身AI模型的能力邊界？未來具身模型的演進應該朝著什么方向努力？近日，由國內(nèi)外10余家頂尖院校和研究機構(gòu)聯(lián)合推出的Embodied Arena正式發(fā)布。

Embodied Arena是一個全面、統(tǒng)一、持續(xù)演進的具身AI評測平臺，聚焦通用具身大腦能力，涵蓋22+基準測試和30+代表性模型，建立基準全面、能力體系完備的綜合評估體系，并通過深度分析揭示了七大關(guān)鍵技術(shù)洞察，為未來具身模型的發(fā)展方向提供了重要指引。

01

破解具身AI三大核心挑戰(zhàn)

具身AI作為通向AGI的關(guān)鍵路徑，一直面臨三大核心挑戰(zhàn)：

1.能力定義不清：缺乏對具身AI核心能力的系統(tǒng)性理解

2.評測標準缺失：各個基準測試標準不一，無法橫向?qū)Ρ?/p>

3.數(shù)據(jù)獲取瓶頸：缺乏可擴展的自動化數(shù)據(jù)生成方法

Embodied Arena通過構(gòu)建系統(tǒng)性具身大腦能力分類、統(tǒng)一具身評測基礎設施和LLM驅(qū)動的自動化具身數(shù)據(jù)生成框架，試圖解決這三大難題。

02

三大任務類型，22+基準測試，30+模型全方位評估具身智能

平臺覆蓋3大核心任務類型，構(gòu)建完整評估體系：

• 具身問答：涵蓋2D/3D視覺問答，評估多模態(tài)感知、理解、推理能力

• 具身導航：包含物體導航、位置導航、指令導航，多方面檢驗具身導航能力

• 具身任務規(guī)劃：多層級規(guī)劃能力評估，考察復雜任務理解、拆分、規(guī)劃能力

03

系統(tǒng)性能力分類：7大核心能力、25細分能力維度全面覆蓋

Embodied Arena建立了業(yè)界首個系統(tǒng)性具身AI大腦能力分類法，涵蓋7大核心能力、25個細分維度：

物體感知（Object Perception）

通過視覺輸入識別和理解具身環(huán)境中的物體。包含物體類型識別、物體屬性判斷（顏色、形狀、材質(zhì)等）、物體狀態(tài)檢測（開/關(guān)、靜止等）、物體數(shù)量計數(shù)四個維度。

空間感知（Spatial Perception）

通過視覺分析理解3D環(huán)境中的空間關(guān)系和定位。涵蓋空間關(guān)系判斷、空間距離估算、空間位置定位、空間尺寸估計四個維度。

時序感知（Temporal Perception）

理解具身場景中的時序事件和時序關(guān)系。包括時序事件描述和時序順序判斷兩個維度。

具身知識（Embodied Knowledge）

在具身情境中應用通用知識和具身知識。涵蓋通用知識運用和可供性預測兩個維度。

具身推理（Embodied Reasoning）

在具身場景中的多維度推理能力。包含物體推理、空間推理、時序推理、知識推理、任務推理五個維度。

具身導航（Embodied Navigation）

在復雜環(huán)境中進行不同類型引導的導航能力。涵蓋物體導航、位置導航、指令導航三個維度。

具身任務規(guī)劃（Embodied Task Planning）

復雜具身任務的策略規(guī)劃和執(zhí)行能力。包含基礎規(guī)劃、視覺參考規(guī)劃、空間參考規(guī)劃、時序參考規(guī)劃、知識參考規(guī)劃五個維度。

這一分類法不僅為現(xiàn)有22+基準測試提供了統(tǒng)一的能力映射框架，更為具身AI大腦研究建立了清晰的技術(shù)評估標準和技術(shù)路線圖。

04

平臺架構(gòu)：從數(shù)據(jù)生成到模型評測的完整閉環(huán)

Embodied Arena采用模塊化設計，實現(xiàn)了從模型接入到結(jié)果分析的完整評測流程：

多源模型支持：兼容HuggingFace、ModelScope、API等多種接入方式，已集成30+先進模型

跨基準跨模型統(tǒng)一的評測管線：對齊不同基準集數(shù)據(jù)與不同模型的評測接入方式，統(tǒng)一計算并呈現(xiàn)對比評測結(jié)果

自動化數(shù)據(jù)生成：基于LLM的場景生成和能力導向數(shù)據(jù)演進機制，確保評測數(shù)據(jù)的多樣性和時效性

實時排行榜：提供具身基準數(shù)據(jù)集視角和具身能力視角雙重對比，每雙周更新，為研究方向提供精準指引

05

LLM驅(qū)動的自動數(shù)據(jù)生成框架

傳統(tǒng)具身AI評測基準面臨數(shù)據(jù)分布固定、可擴展性與多樣性受限的挑戰(zhàn)。Embodied Arena引入了LLM驅(qū)動的自動化數(shù)據(jù)生成框架來解決上述挑戰(zhàn)，包含兩個關(guān)鍵組件：

自動化場景生成：

• 場景規(guī)劃：定義房間類型和空間關(guān)系

• 功能分區(qū)：將房間劃分為活動特定區(qū)域

• 布局優(yōu)化：放置物體并優(yōu)化物體布局

能力導向數(shù)據(jù)演進：

• 構(gòu)建數(shù)據(jù)生成流程：構(gòu)建仿真驅(qū)動的程序化數(shù)據(jù)生成流程，包含了任務定義，模板構(gòu)建，場景生成，基于仿真與腳本的數(shù)據(jù)生成以及數(shù)據(jù)篩選的關(guān)鍵階段。

• 建立難度天梯：從場景復雜度、語言復雜度、任務復雜度三個方向構(gòu)建數(shù)據(jù)模板，生成不同難度的數(shù)據(jù)，提升數(shù)據(jù)多樣性。

• 動態(tài)數(shù)據(jù)演進：根據(jù)模型表現(xiàn)生成特定數(shù)據(jù)，并通過抽樣檢測保證數(shù)據(jù)質(zhì)量，確保評測集始終具有挑戰(zhàn)性。

06

七大關(guān)鍵發(fā)現(xiàn)，揭示具身AI發(fā)展現(xiàn)狀

通過對30+模型在22+基準上的全面評測，Embodied Arena揭示了具身AI領域的七大關(guān)鍵洞察：

1.業(yè)界領先的多模態(tài)基礎模型領跑綜合能力評測榜單，專有具身模型憑借針對性具身數(shù)據(jù)訓練在相關(guān)特定基準上實現(xiàn)局部反超，但也暴露出針對單一基準的過擬合風險

業(yè)界領先的通用多模態(tài)基礎模型（如GPT-o3、Gemini-2.5-Pro）憑借其千億級參數(shù)規(guī)模和海量預訓練數(shù)據(jù)在多基準測試中相較具身模型取得10%-20%的評測指標領先，充分展現(xiàn)出跨任務的整體性能優(yōu)勢。然而，在相似參數(shù)規(guī)模下，通過針對性具身數(shù)據(jù)的訓練，專用具身模型可以在特定基準上顯著超越通用模型——RoboBrain2.0在Where2Place上準確率達到73.59%，遠超GPT-o3的33.46%，專用導航模型在VLN任務上也明顯優(yōu)于同規(guī)模通用模型，如StreamVLN達到54.90%成功率，而Claude-3.7-Sonnet僅為18.93%。然而，在這種針對性具身數(shù)據(jù)增訓之下，具身模型往往在特定基準測試中表現(xiàn)出色卻在其他任務上大幅下滑，呈現(xiàn)出較大性能波動，暴露出"刷榜式"過擬合而非真正能力提升的問題，為模型的通用性和實際應用帶來了潛在挑戰(zhàn)。因此，如何在避免特定能力過擬合式優(yōu)化的同時實現(xiàn)具身智能核心能力的全面均衡提升，將成為未來具身模型研究的重要方向。

2.具身模型的物體/空間/時間感知和具身知識能力制約其高階推理能力，物體感知和空間感知是基礎能力中的短板。

多基準綜合評估結(jié)果表明，模型基礎具身能力的缺陷直接制約其高階推理能力表現(xiàn)。具體體現(xiàn)為：模型的基礎具身能力（物體感知、空間感知、時間感知、具身知識）與高階推理能力呈顯著正相關(guān)，斯皮爾曼等級相關(guān)系數(shù)ρ達0.80，且各項基礎具身能力均與高階推理能力呈顯著正相關(guān)（ρ范圍為0.68~0.77）；同時，模型在高階推理任務上的表現(xiàn)（平均得分33.64）總體差于其基礎具身能力整體表現(xiàn)（平均得分38.84）。其中基礎具身能力中，模型的物體感知（平均得分38.33）與空間感知（平均得分28.62）能力尤為薄弱，這些結(jié)果共同揭示模型高階推理能力對基礎具身能力的深度依賴性。

3.具身感知與推理能力與下游任務性能顯著正相關(guān)相比端到端框架，任務導向智能體框架更能促進模型具身能力向下游任務性能轉(zhuǎn)化

模型在具身能力（物體感知、空間感知、時間感知、具身知識和具身推理）和下游任務（具身導航、具身任務規(guī)劃）的綜合排名表明，模型的具身能力與下游任務性能呈顯著正相關(guān) (斯皮爾曼等級相關(guān)系數(shù)ρ=0.80)，且各項具身能力均與下游任務性能呈顯著正相關(guān) (ρ范圍為0.73~0.83.)?？蚣軐Ρ葘嶒炦M一步驗證，采用任務導向智能體框架（即通用模型集成于下游任務專用智能體框架）時，模型具身能力與下游任務性能呈顯著正相關(guān)（ρ=0.79），導航與任務規(guī)劃成功率分別達36.21%和40.08%；而端到端框架（即通用模型直接應用于下游任務）僅呈中等相關(guān)性（ρ=0.40），導航成功率僅為5.80%，暴露出缺乏任務適配機制的顯著能力短板。值得注意的是，當端到端框架因缺乏任務適配機制而表現(xiàn)不佳時，通過針對下游任務的架構(gòu)創(chuàng)新與領域數(shù)據(jù)訓練可使模型實現(xiàn)性能躍升（VLN專用模型導航成功率最高可達50%以上）。綜上，強化具身能力是基礎，優(yōu)化智能體框架的能力轉(zhuǎn)化機制是核心支撐，而構(gòu)建下游任務專用模型則是實現(xiàn)垂直領域性能突破的有效路徑。

4.具身任務下的Scaling Law尚未顯現(xiàn)。參數(shù)規(guī)模的擴展無法帶來一致的性能提升；增加具身數(shù)據(jù)雖可提升特定任務表現(xiàn)，常伴隨過擬合風險

當前具身任務下尚未觀察到明顯的Scaling Law。在參數(shù)規(guī)模層面，部分模型（如InternVL3）在具身問答和任務規(guī)劃任務中，增大參數(shù)規(guī)模能夠帶來性能提升；但在具身導航任務中，增大參數(shù)反而可能導致模型性能下降（如RoboBrain2.0-7B優(yōu)于RoboBrain2.0-32B），這表明參數(shù)層面的Scaling Law并未普遍顯現(xiàn)。在數(shù)據(jù)層面，增加具身任務特定數(shù)據(jù)雖可提升特定任務表現(xiàn)，但往往伴隨過擬合風險，難以在所有能力上實現(xiàn)全面提升。例如，Embodied-R1與SpaceR均基于Qwen-2.5-VL-3B-Instruct訓練，卻均未在所有能力項上取得一致提升。這主要源于當前具身任務數(shù)據(jù)在多樣性、廣度和規(guī)模方面仍顯不足。此外，現(xiàn)有具身模型的架構(gòu)與訓練方式不統(tǒng)一，且多數(shù)模型僅有一個或少數(shù)幾個參數(shù)規(guī)模的版本，也限制了對具身模型Scaling Law 更全面深入的分析。

5.推理模型通過RFT在多個基準測試上展現(xiàn)出強大的性能表現(xiàn)在分布外泛化能力方面，RFT相較SFT的潛在優(yōu)勢有待進一步驗證

RFT能夠顯著增強推理模型在多項具身基準中的性能，并屢次刷新性能紀錄。例如，GPT-o3在多種任務規(guī)劃基準中表現(xiàn)優(yōu)異，Space-R在OpenEQA上達到新SOTA，Embodied-R1在Affordance預測任務中實現(xiàn)突破，VLN-R1則進一步驗證了RFT對導航成功率的提升作用。這表明，RFT有效促進了模型將基礎感知能力整合為高階推理技能，使其能夠勝任多步推理、序列決策與精確操作等復雜任務。此外，經(jīng)RFT訓練的具身模型已展現(xiàn)出一定的分布外泛化潛力。以Embodied-R1為例，在經(jīng)過RFT訓練后，其在不同分布外基準測試中的性能均較僅使用SFT的版本有顯著提升。因此，基于RFT的訓練范式為具身智能的發(fā)展提供了極具潛力的路徑，但其泛化能力的深度與廣度仍需進一步探索和驗證。

6.原生3D信息處理方法面臨多模態(tài)對齊的挑戰(zhàn)，2D-3D融合框架憑借3D信息與2D視覺-語言基座能力的對齊機制，顯著增強具身模型的空間理解與推理能力

3D表征提供了完整空間結(jié)構(gòu)和精確幾何信息，因此是實現(xiàn)精確空間推理和物體交互的關(guān)鍵。然而，直接處理點云或體素的原生3D表征方法缺乏與2D視覺-語言基座能力的對齊，無法充分利用2D基座模型通過大規(guī)模視覺-語言預訓練獲得的豐富語義能力。3D具身問答能力評測表明，依賴原生3D表征的LEO為48.48分，而采用2D-3D表征融合的具身模型——GPT4Scene-HDM達到62.11分，LL3DA獲得62.90分。這種顯著差異反映出，在當前缺乏通用3D-語言基座模型的情況下，從零構(gòu)建面向具身的3D幾何與語言的對齊關(guān)系，不如在已有2D視覺-語言對齊基礎上增強3D空間感知高效。盡管2D-3D融合框架已成為兼顧基座模型語義能力與精確空間感知的有效范式，其本質(zhì)上仍屬于目前過渡性質(zhì)的妥協(xié)方案，長遠來看，如何通過多階段訓練策略或設計創(chuàng)新性的模型架構(gòu)，實現(xiàn)原生3D信息與語言的深度對齊，進而構(gòu)建更為直接、高效的原生3D基座模型，是未來極具挑戰(zhàn)性和前瞻性的關(guān)鍵研究方向。

7.具身指向（Embodied Pointing）作為核心表征，能夠驅(qū)動基礎能力與下游任務的雙重提升。然而，其在復雜具身任務中的潛力有待進一步發(fā)掘。

具身指向能夠有效提升基礎能力與下游任務性能，其核心在于充當了基礎性的“錨定機制”（Grounding Mechanism）。該機制通過將抽象語言與精確物理坐標緊密關(guān)聯(lián)，統(tǒng)一了感知、推理與規(guī)劃等原本割離的子任務，顯著增強了模型的認知整合能力。這種整合進而提高了模型在看似無關(guān)甚至分布外任務上的泛化表現(xiàn)。然而，這一潛力在當前實踐中仍面臨明顯挑戰(zhàn)。盡管經(jīng)過指向數(shù)據(jù)微調(diào)的模型在特定基準測試中表現(xiàn)優(yōu)異，但在應對復雜指令與動態(tài)場景時，其性能顯著下滑。這表明模型可能僅僅“過擬合”了簡單的指向模式，并未真正習得錨定所必需的綜合推理能力，反映出專一化訓練與通用推理之間的內(nèi)在權(quán)衡。因此，如何系統(tǒng)掌握具身指向技術(shù)并高效運用相關(guān)訓練數(shù)據(jù)，已成為推動先進具身智能發(fā)展的核心挑戰(zhàn)，也為評估與增強模型多模態(tài)理解與推理能力提供了重要路徑。

07

開放合作，共建具身AI生態(tài)

Embodied Arena采用開放式設計，歡迎全球研究者貢獻：

• 模型提交：支持開源和閉源模型，提供專業(yè)技術(shù)支持

• 基準集成：新基準可靈活接入，保持評測體系與時俱進

• 雙周更新：確保排行榜實時反映最新進展

訪問地址：https://embodied-arena.com/

08

結(jié)語

Embodied Arena通過建立全面的具身大腦能力分類體系、統(tǒng)一的評測基礎設施和持續(xù)演進的自動化數(shù)據(jù)生成機制，不僅為當前研究提供了客觀評估標準，更為具身AI的未來發(fā)展指明了清晰方向。

隨著更多模型和基準的加入，Embodied Arena將持續(xù)為研究者提供最全面、最便捷的具身AI能力評估，助力構(gòu)建真正理解和改變物理世界的智能體。

論文地址：http://arxiv.org/abs/2509.15273

平臺訪問：https://embodied-arena.com/

技術(shù)支持：歡迎通過官網(wǎng)聯(lián)系團隊

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標注來源并插入本公眾號名片。