96.7% 只证明仿真「排得对」，不证明仿真「算得准」：智元 Genie Sim 升级该怎么验
4 款本体、22 项任务、96.7% 相关性——这组数字说的是「排序一致」，不是「分数可迁移」。真正能拿去用的是另外两件事：刚柔分区求解，和 Real2Sim 的物理参数校准。代码已开源，所以这一次可以自己验。
- 发布：2026-10-28，智元宣布升级一站式具身智能仿真平台 Genie Sim，主打柔性物体仿真（叠布、系束口袋等），打通场景重建、数据采集、自动评测、后训练、开放世界探索全链路。
- 两条路径：自研物理引擎 Genie Sim Engine 做刚柔接触分区求解并实现 20 倍加速；世界模型 Genie Sim Dream 基于真实画面推演动作后的场景变化，支持多步长连续操作测试。
- 那个 96.7%：真实世界训练的模型直接零样本评测，横跨 4 款机器人本体、22 项复杂任务，仿真与真机得分相关性 96.7%。
- 校准方式：通过 Real2Sim 系统辨识对齐惯性、摩擦、力矩响应，用真机数据校准质量密度、摩擦系数、阻尼。
- 开源范围：仿真代码在 GitHub 全面更新，仿真资产与配套数据集上架 HuggingFace 与魔搭 ModelScope；Benchmark 新增灵巧操作、全身协同、精细操作、本体迁移四维。
- 一句话：相关性高可以说明「仿真能用来做筛选」，但要说明「仿真分数等于真机分数」，还缺一个绝对误差数字，官方没给。
先说清楚这次升级要解决的具体问题，不然 96.7% 这个数字没有落点。
叠一块布、系一个束口袋，对人来说是日常动作。对仿真器来说是噩梦：布料会褶皱、会塌陷、会被夹爪挤压后改变形状；绳索会滑动、会被拉扯出新的受力点。这些东西在仿真里没有解析解，只能靠数值方法逼近。
过去几年仿真器擅长的是刚体——方块、圆柱、零件。碰上柔性物体，常见的结局是「仿真里满分，真机上翻车」。这不是仿真器不努力，是柔性形变的物理建模本身太难，而且每一步误差都会累积。
Genie Sim Engine：分区求解
采用多物理求解器协同架构，把刚体接触与柔性接触分区处理——刚的部分用刚体求解器，软的部分用柔性求解器，接触面上做耦合。再用真机数据校准质量密度、摩擦系数、阻尼这些参数。官方给的加速比是 20 倍。
这条路径的本质是「用工程手段绕开解析解」：既然柔性形变算不准，那就把它切成能算准的小块。
Genie Sim Dream：世界模型
不做物理计算，改用生成模型：基于真实画面推演「机器人做完这个动作之后，场景会变成什么样」。支持多步长连续操作测试，并调用视觉大模型自动判别任务是否完成。
这条路径的本质是「绕开物理，直接学结果分布」。好处是覆盖长时序，坏处是它可能生成物理上不成立、但视觉上很像的画面。
把两条路径放一起看，会发现它们是互补而不是替代。Engine 保证每一步的接触力算得住，Dream 保证长流程能连续演化。真正让这个平台变得可用的，是第三条：Real2Sim 系统辨识——用真机数据反向标定仿真里的惯性、摩擦、力矩响应。没有这一步，上面两条路径都只是在自说自话。
官方的描述是：把真实世界训练好的模型直接放进仿真做零样本评测，横跨 4 款机器人本体、22 项复杂任务，最终测得仿真与真机的得分相关性达 96.7%。
这里有两个词需要拆开。「零样本」是说模型没有在仿真里微调过，排除了「仿真数据污染」这一种解释，这一步做得对。「相关性」则要看是哪种相关性。
| 读法 | 96.7% 能支持 | 96.7% 不能支持 |
|---|---|---|
| 排序一致性 | 仿真里排第一的策略，真机上大概率也靠前 | — |
| 绝对分数 | — | 仿真 80 分等于真机 80 分 |
| 系统性偏移 | — | 仿真整体高估或低估了多少（未给偏差值） |
| 单项可用性 | — | 22 项任务里每一项都同样准（未给分项系数） |
| 长时程 | — | 连续跑 8 小时之后是否仍然相关 |
用一个极端例子说明差别：假设仿真对每一项任务的打分都恰好比真机高 10 分，那么所有点的排序完全不变，相关系数仍然是 1.0。但这时候如果你按仿真分数 80 分去判断「这个策略可以上线」，真机上它只有 70 分。
所以 96.7% 证明的是「仿真可以用来做筛选和排序」，不证明「仿真分数可以直接当验收标准」。这两件事在工程上的差别很大：前者省的是试错次数，后者省的是真机测试，而后者才是钱。
顺带做一个稳健性检查。如果按 4 款本体 × 22 项任务 = 88 个样本点计算，用 Fisher z 变换估一下，96.7% 这个相关系数的 95% 置信区间大约在 0.95–0.98；即便保守地只按 22 个任务计，区间也大致在 0.92–0.99。也就是说，「相关性很高」这个结论本身是稳的，不稳的是「高到什么程度可以替代真机」这个推论。（此处为本号推算，前提假设样本近似独立，官方未披露重复次数。）
对使用者来说，这次升级里最实际的部分是开源范围：
三个渠道的分工很清楚：代码管「怎么跑」，资产管「跑在什么场景里」，数据集管「拿什么校准」。再加上 Genie Sim × RLinf 并行后训练框架，链路就完整了——先在 Benchmark 上定位短板，再在仿真里并行训练，然后再评测验证，形成闭环。
Sandbox 覆盖家居、工厂商超、餐饮办公三类场景，支持连续长流程作业。对做二次开发的团队来说，这意味着可以直接拿现成场景做压力测试，不用从建模开始。这大概是这次升级里最省时间的一块。
有三件事需要等。
第一，绝对误差。相关性有了，MAE 没有。前者告诉你排序对不对，后者告诉你能不能省掉真机测试。这两件事在采购决策里是分水岭。
第二，厂商之外的复现。开源代码不等于开源结论——如果那份 96.7% 的实验配置、随机种子、真机测试脚本没有一起放出来，别人复现出来的数字会有出入。发稿时点（10-28 下午）距离代码更新只有几个小时，社区复现结果还没有。
第三，长时程与漂移。22 项任务大概率是「单次完成度」的评测，而真实产线关心的是「连续跑 8 小时，第 500 次操作还准不准」。柔性物体尤其如此——布料在反复抓取之后会起球、变形，这些在仿真的初始条件里很难覆盖。
所以正确的用法是：把 Genie Sim 当成「筛子」而不是「尺子」。用它把一百个策略筛到十个，再拿十个上真机；不要用它直接判定某个策略「可以交付」。这个用法在今天就成立，不需要等任何补充数据。