# 六榜登顶、7B 端侧、不用深度相机：MWA-Phoenix 这份成绩单里最硬的是那个「减法」
> 无界动力发布并开源 7B 端侧基座 MWA-Phoenix，横扫 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 与 RoboDojo 真机六个榜。但六条里最值得看的不是榜首数量，是那句「不使用深度信息传感器」——榜单的加法之外，还有一场传感器的减法。
### TLDR
- **发布内容**：无界动力发布并开源 **MWA-Phoenix** 隐空间世界模型基座，为**端侧 7B 参数**的完整预训练模型。
- **六榜成绩**：LIBERO-Plus 与 LIBERO-Pro 榜首（LIBERO-Pro 总体成功率 **66.48%**）；RoboCasa GR1 Tabletop **82.67%**（24 项桌面任务），较前代 MWA-WALA 的 75.17% 提高 **7.50 个百分点**；Bench2Dex 平均成功率 **45.6%**，领先对照模型 π0.5 **17.3 个百分点**；RoboTwin 2.0 **72.42%**（50 项双臂任务）；RoboDojo 真机榜成绩优异。
- **三个「不做」**：官方明确**不做任何测试数据复刻**、**不使用深度信息传感器**、**不依赖任何 Agent**。
- **配套组件**：Phoenix-ILA 将运动与接触共同纳入动作学习；Phoenix-PhysCanvas 为交互式仿真世界模型，供部署前在云端仿真环境中自我进化。
- **开源情况**：代码仓库 github.com/Anyverse-Dynamics/Phoenix-MWA，技术报告页 openphoenix-team.github.io/Phoenix-pages/。
- **判断：**45.6% 这个绝对值提醒我们，跨本体迁移仍是全行业没有解决的问题。六榜之中最该被认真对待的不是并列登顶的数量，而是 RoboDojo 真机榜——因为它是唯一一个不靠深度相机、且必须落在真实硬件上的。
### SRC
素材时间窗为 **2026-10-21 18:00 → 2026-10-22 09:00（北京时间）**。主干信源为**机器之心稿件经新浪财经·市场资讯转载，2026-10-22 00:16**，落在窗口内；具体榜单数值（LIBERO-Pro 66.48%、RoboCasa GR1 Tabletop 82.67% 与前代 75.17%、Bench2Dex 45.6% 与领先 π0.5 的 17.3 个百分点、RoboTwin 2.0 72.42%）出自**新浪财经 2026-10-21** 技术条目，两条来源同源于机器之心原始稿件，属**单一信源链条**，尚无独立第三方复现。开源仓库与技术报告链接由稿件给出，本稿仅据此记录链接地址，未对仓库内容做完整核验。需要明确界限：RoboDojo 真机榜的具体得分报道未给出数值，只表述为「成绩优异」，因此本稿不对该榜得分做任何推断；「六榜登顶」中的 LIBERO-Plus 榜首同样未给出具体数值。Bench2Dex 的 12 种机械臂与灵巧手组合、26 个任务-本体设置，RoboDojo 的三类机器人本体与 18 项任务，均为报道给出的榜单构成说明。所有榜单成绩为发布方自述，未经独立机构复现。文中分析性内容均以「判断：」标注。
### BODY
先数清楚这六个榜
无界动力这次把摊子铺得很开：一次发布，同时覆盖 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 与 RoboDojo 真机六个评测。带具体数值的部分如下。
各榜任务集与随机化条件不同，跨榜数值不可直接比较
数值来源：新浪财经 2026-10-21 技术条目，属厂商披露口径
RoboCasa GR1 Tabletop 的 82.67% 值得单独看一眼，因为它是有对照的：前代 MWA-WALA 为 75.17%，本次提高 7.50 个百分点。这是六条里唯一一条能让人看到代际增量的数字，覆盖 24 项桌面操作任务，含抓取放置，以及抽屉、柜门这类可动结构物体操作。
45.6% 才是这份成绩单的诚实之处
Bench2Dex 的 45.6% 是六条里绝对值最低的一个，但它同时也是最有信息量的一个。
这个榜的构成是 12 种机械臂与灵巧手组合、26 个任务-本体设置，通过物体姿态、桌面高度等几何变化，以及背景、光照、干扰物和相机位姿等视觉变化来考验泛化。45.6% 的平均成功率领先最强对照模型 π0.5 达 17.3 个百分点——领先幅度可观，但绝对水平不到一半。
相对读法：领先 π0.5 十七个百分点，在一个 12 种本体混合的榜上，说明它的跨本体迁移确实比对照组强出一截。
绝对读法：45.6% 意味着换一台没见过的臂和手，仍有超过一半的任务做不成——跨本体没有解决，只是缓解。
判断：评价一份多榜成绩单，最容易被忽略的就是绝对值的分布。如果所有榜都在 90% 上下，那只能说明榜选得软；有高有低才是正常的，而且那个低的往往才是真实水平的参照。选用时该怎么读：先挑出你手上本体最接近的那一个榜，看它的绝对值，而不是看发布方强调的领先幅度。
真正的看点：三个「不做」
比榜单更值得记的是官方自己列出的三条约束：不做任何测试数据复刻、不使用深度信息传感器、不依赖任何 Agent。
| 约束 | 含义 | 对落地的实际影响 |
|---|
| 不做测试数据复刻 | 不使用评测集数据参与训练 | 排除「背答案」式提分，榜值反映泛化而非记忆 |
| 不使用深度信息传感器 | 仅靠 RGB 视觉输入完成操作 | 省掉深度相机成本与标定，适配多数存量机型 |
| 不依赖任何 Agent | 不外接上层任务规划模块 | 推理链路更短，时延与故障点更少 |
表：三条约束为发布方自述口径，作者依据报道归纳其对落地的影响，未做独立验证。
其中不使用深度信息传感器这一条的分量最重。当前大量具身操作方案默认配备深度相机或主动深度感知硬件，这既是成本项，也是标定维护项，还是很多存量机型根本不具备的配置。一个 7B 端侧模型如果只靠 RGB 就能在三类真实本体上跑 RoboDojo 的 18 项任务，那么它对已有设备的适配门槛就低了一大截。
判断：这三条约束的意义在于，它们把竞争轴从「谁的模型更大、谁用的传感器更多」挪回了「在更少输入下能做到什么」。对做集成交付的团队，这条比榜单名次实用得多：选型时先问清楚目标模型是否强依赖深度相机，直接决定了硬件清单和单车改造成本。
开源是真开源还是半开源，要看仓库里有什么
稿件给出的两个链接是：github.com/Anyverse-Dynamics/Phoenix-MWA（开源代码）与 openphoenix-team.github.io/Phoenix-pages/（技术报告）。本次同时发布的还有 Phoenix-ILA——把运动与接触共同纳入动作学习，以及 Phoenix-PhysCanvas——交互式仿真世界模型，用于在部署前于云端仿真环境中自我进化。
仿真侧
Phoenix-PhysCanvas部署前云端自我进化
待验项
RoboDojo 真机得分未披露报道仅称「成绩优异」
需要说清楚的是本次报道的边界：RoboDojo 真机榜没有给出具体得分，只有「成绩优异」的定性表述；LIBERO-Plus 榜首同样未给出数值。也就是说，六个榜里有两个只有名次、没有分数。这不构成质疑，但构成阅读时的保留。
判断：这份成绩单的正确读法是「先分组再读」。第一组是有对照的：RoboCasa GR1 对前代提高 7.50 个百分点、Bench2Dex 对 π0.5 领先 17.3 个百分点，这两个数字能定位它的相对位置。第二组是有绝对值的：66.48%、72.42%、45.6%，这三个数字能定位它的绝对水位，其中 45.6% 说明跨本体仍有一半任务失败。第三组是只有名次的：LIBERO-Plus 与 RoboDojo 真机，在拿到具体分数前只能当作方向性信息。真正让这份发布区别于同类的，是「不使用深度信息传感器」这条自我约束——它把能力验证放在了一个更苛刻的输入条件下，这个选择本身就比多拿一个榜首更有说服力。建议跟进的节点也很清楚：等仓库里的权重与评测脚本可用后，用自己手上的本体跑一遍 Bench2Dex 之外的真实任务，而不是把 45.6% 直接搬到采购方案里。
---
*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/anyverse-mwa-phoenix-six-benchmarks-no-depth-open-source/*