研究解读 · 神机百见-具身解读

1855 支队、15 支进决赛、冠军 82.5 分:这场 48 小时的比赛,测的是工具好不好用

1855 支队伍报名、15 支进决赛,晋级率 0.81%;冠军 82.5 分,来自一支平均年龄 25 岁的五人小队。但 82.5 分是三轮真机测评里最好的一轮,不是平均稳定性——而初赛里 79.1% 的选手没有任何真机调试经验。这场比赛真正测出来的,是工具链的门槛,不是机器人的能力上限。

一分钟速览
  1. 规模:首届蚂蚁灵波具身大模型挑战赛 9 月在外滩大会启动,初赛吸引 13 个国家、1855 支队伍、3252 名选手,覆盖 648 家高校/科研院所/企业(含海外机构 41 家);11 月在上海张江科学会堂进入线下真机总决赛。
  2. 决赛:15 支队伍在 48 小时内基于开源模型与统一配置设备完成调优、部署与评测,晋级率约 0.81%。11 月 16 日结果出炉。
  3. 冠军:平均年龄 25 岁的五人小队「TARS」以 82.5 分夺冠,成员来自福田实验室、西北工业大学、普渡机器人、天津大学,队长吴昊楠是即将硕士毕业的 00 后。
  4. 规则细节(最关键):决赛设 三轮真机测评,各队取其中一轮最高总分计入排名——82.5 分是最好的一轮,不是三轮平均。
  5. 门槛证据:组委会披露,初赛选手只有 20.9% 有真机调试经验,即 79.1% 没有;一台参赛级机器人的价格约 二三十万元,有选手自购过约 2000 元的双臂机器人练手、实验里坏过两个舵机。
  6. 判断:主办方自己的定性更诚实——真正要求 99.9% 成功率的任务不可能只给开发者 48 小时。所以这场比赛的信息量在「多少人能第一次跑通全流程」,而不在「82.5 分离商用有多远」。把它读成能力榜单,会高估一个数量级。
数据来源与边界
主源为解放日报 2026-11-18 稿(记者查睿,同花顺财经同日转载,同花顺 ↗ ),报名规模、决赛队伍数、48 小时赛制、冠军得分与成员、20.9% 真机经验比例、三项赛题、三轮取最高分的规则、以及沈宇军与朱兴的引语均出自该稿现场报道。关键定性经极客公园 2026-11-18 稿核对(https://www.geekpark.net/news/374108 ),该稿完整记录了沈宇军「真正要求 99.9% 成功率的任务,不可能只给开发者 48 小时完成开发」的表述,并说明比赛更重要的意义是验证工具是否易用、开发门槛是否降低。素材时间窗为当日 09:00 → 19:00(2026-11-18);总决赛结果公布于 11-16,两篇中文定稿均在 11-18 窗内落地,本文按窗内报道口径写作并标注赛事原始时点。 边界与不确定:①82.5 分不可与任何商用成功率指标横向比较——赛制是三轮取单轮最高分,衡量的是能力上限而非平均稳定性,本文在正文中明确拆开;②15 支决赛队伍对应 1855 支初赛报名,晋级率 0.81% 由本文相除得出,官方未直接给出该比例;③「一台机器二三十万元」为受访开发者口述的量级,非赛方设备采购价;④三项赛题为单臂果蔬抓取、单臂化妆品入透明盒、双臂清扫桌面垃圾入收纳筐,均属桌面级操作,不外推到工业或物流节拍;⑤田文善(「有手就行」战队)初赛「20 多分」、晋级时「70 分左右」为受访者自述,未见官方成绩单;⑥蚂蚁灵波「全栈大脑 2.0」包含 LingBot-Vision/Depth/Touch/World/Video/VA/VLA 七个组件的说法来自公司介绍,本文不评价各组件性能;⑦所有关于评测方法、门槛与行业含义的推断均为作者判断,以「判断:」开头。版权与免责声明由模板自动附加。
本文事实信息来自上方标注的公开来源;解读、判断与延伸部分为作者个人见解,写作过程使用了 AI 工具辅助整理,已由作者人工核实,不代表信息来源方立场。如有雷同纯属巧合;如涉及版权或权益问题,请联系 shenjibailian@shenjibailian.com,我们将在核实后及时删除或更正。

一场比赛的数字可以有两种读法。1855 支队伍报名、15 支进决赛,读到的是「热度」;冠军 82.5 分、三轮取最高一轮,读到的是「这个方法能测出什么」。

这两种读法在这场比赛里指向完全相反的方向。热度是真的高,但 82.5 这个数被外推得太远了。

一、先把赛制念一遍,因为它决定了分数能说明什么

决赛规则是这样的:15 支队伍在 48 小时内,基于主办方开源模型和统一配置的设备,结合统一预采数据与现场采集数据,完成模型调优、部署调试和任务评测。赛题三项——单臂抓取水果蔬菜、单臂抓取化妆品放进透明盒、双臂配合清扫桌面垃圾再倒入收纳筐。设三轮真机测评,各队取其中一轮最高总分计入排名。

最后这条规则是关键。

取最高一轮,意味着这个分数衡量的是「你能做到多好」,不是「你每次都能做到多好」。这两件事在实验室里差别不大,在商业场景里是天壤之别——产线要的是连续 8 小时不低于某个阈值,不是某一轮跑出了峰值。

三轮取最高还有个副作用:它奖励波动。如果一个队伍两轮跑崩、一轮跑出高分,和另一个队伍三轮都稳定在中上,前者可能排名更高。这不是赛制设计缺陷——48 小时的比赛本来就该看上限,因为下限在很大程度上由随机性决定,测不准。但如果读者把 82.5 当成「这个模型在这些任务上的成功率是 82.5%」,那就是把上限读成了均值。

9 月
外滩大会启动,初赛开放线上仿真赛;最终 13 国 1855 支队伍、3252 名选手报名,覆盖 648 家单位
11 月 14 日
决赛选手从北京、上海、杭州、深圳、成都、武汉等地抵达上海张江,另有选手从温哥华专程参赛
48 小时
15 支队伍基于开源模型与统一设备完成调优、部署、评测;三项赛题、三轮真机测评,取单轮最高分
11 月 16 日
结果出炉:TARS 82.5 分夺冠;EVA、SST 获二等奖;Vida、FDU_SONIC、ai-robot 获三等奖

时间点依据解放日报 11-18 报道;「48 小时」为赛制时长,不是日历时间。

判断:任何「某某模型在某比赛拿到 82.5 分」的说法,都必须带上两个限定词——48 小时、单轮最高。少了这两句,这个数字就从「工具链在一周内能被一个陌生团队跑通的上限」变成了「模型能力」,性质完全不同。行业里已经有太多把演示分数当能力指标的先例,这次要提前把话说清楚。
二、20.9% 这个数,比冠军分数更有信息量

组委会披露:初赛选手中只有 20.9% 有真机调试经验。

反过来就是 79.1% 没有。近八成的参赛者是第一次把代码往真实机械臂上跑。

这个比例配上另一个数就有了画面:一台参赛级机器人二三十万元。对个人和中小团队来说,这不是「买不起」,是「不敢买」——买回来不会用、用坏了修不起、修好了也没有足够的任务场景去跑。

报道里有两个细节把这件事说得很具体。一位博士五年级转方向的选手,为了练习买过一台约 2000 元的双臂机器人,实验中坏了两个舵机,团队就去拆修其他机械臂、用零件补缺;初赛备赛后期他把行军床搬到实验室,在机械臂旁边住了近两周。另一位有多年自动驾驶经验的工程师,原以为底层技术相通、迁移会简单些,结果初赛只拿到 20 多分,后来拉上两位相识近十年的工程师组队,把残差思想、数据增强和模型适应性经验搬过来,才一点点提到 70 分左右、晋级决赛。

这两个例子的共同点不是「努力」,是门槛的形状:不是算法难,是「算法到动作」这一段中间有太多工程环节——数据处理、训练、仿真评测、硬件适配、现场校准。每一环单独看都不难,串起来就是一个需要连续几周泡在设备旁边的活。

判断:79.1% 这个数字对行业的真实含义,是「模型供给已经过剩,设备与工程供给严重不足」。开源模型谁都能下载,但能让人在 48 小时里跑通的那套「设备 + 数据 + 算力 + 脚本」的打包,才是稀缺品。这也是主办方把初赛脚本、仿真任务、决赛真机一起给出来的原因——它卖的不是模型权重,是一条已经铺好的路。
三、主办方自己的定性,比任何外部评论都诚实

这场比赛最值得引用的一句话,来自主办方首席科学家沈宇军:真正要求 99.9% 成功率的任务,不可能只给开发者 48 小时完成开发。比赛更重要的意义,是验证工具是否易用、开发门槛是否降低,以及普通开发者能否真正使用模型完成任务。

这句话承认了两件事。一是 48 小时的产出离商用标准差着几个数量级;二是比赛的设计目标从一开始就不是选能力最强的模型,而是测「路好不好走」。

首席执行官朱兴的补充同样实在:真机决赛把这些环节压缩在 48 小时里,也让一些在仿真榜单上不容易暴露的问题尽早出现;对开发者来说,真机决赛中出现的失败和偏差,同样具备进一步复盘的价值。

为什么仿真里暴露不出来?因为仿真的误差模型是写进去的。真实世界里有透明反光(这也是他们专门做空间感知模型 LingBot-Depth 的原因)、有花茎会弯花瓣会掉、有观众的手伸进画面。这些不在任何 benchmark 的分布里。

判断:把这场比赛定位成「工具链压力测试」而不是「能力评测」,对整个行业是更有利的读法。因为能力评测已经有太多榜单,而工具链可用性几乎没人测——它决定的是这个行业能不能从「几百家公司各养一个团队」变成「几万个开发者各自解决问题」。后者的规模效应,比多几个高分模型重要得多。
四、从赛场往外看:三个已经在跑的场景,和它们该被怎么观察

报道里给的三条落地线索,恰好覆盖了三种不同的难度。

第一条是药房。今年 7 月世界人工智能大会上,蚂蚁灵波与国大药房合作的机器人智慧药房入选十大「镇馆之宝」;乐聚、星海图和灵波自研 R-2 三台不同构型的机器人,在同一个具身大脑驱动下按随机订单分工,完成接单、取货、交付。目前已在国大药房上海门店投入运营,不需要门店专门改造空间,可在夜间值班等场景协助药剂师分拣药品。

第二条是工业上下料。今年 10 月与隆盛唯睿合作建设具身智能机器人创新中心,首期聚焦工业上下料。

第三条是包裹分拣。与德马科技合作,面向形状、尺寸各异的包裹分拣。

报道自己给了一个很专业的观察口径:后续进展可以从「部署工位、持续运行时间、人工接管频次」三个维度看。

这三个维度值得抄进任何一份具身智能项目的验收表。工位数决定规模,持续运行时间决定可用性,人工接管频次决定它到底是「机器人干活」还是「人看着机器人干活」。

判断:药房这条线最值得关注,不是因为它最先进,是因为它的容错结构最特殊——夜间值班场景人少、SKU 有限、动作空间封闭,但错一盒药的后果很严重。这种「低流量、高准确率要求」的场景,恰好是当前模型能力能够着的位置;相反,包裹分拣是「高流量、低单件价值、容错靠人工兜底」,考的是节拍和稳定性的乘积。两条线的技术难度排序和商业价值排序并不一致,混着谈会得出错误结论。
五、给要办比赛或要参赛的团队留三条

第一,看排行榜之前先看评分规则。取最高一轮、取平均、取最后一轮,三种规则会选出三种完全不同的队伍。如果目标是筛出能上产线的方案,取最高分是错的;如果目标是发现能力上限,取平均分是浪费。

第二,把「48 小时能跑通」当成一个采购指标。一个模型如果需要一个熟练团队花三周才能在新设备上跑起来,那它的实际单价是「模型费 + 三周工程师成本」。这条算法在任何技术选型里都成立,在具身智能里尤其成立,因为设备调试的时间成本远高于软件部署。

第三,别把「参赛人数」当行业成熟度。1855 支队伍报名是好现象,但它是「想进来的人多」的证据,不是「进来之后能干活」的证据。真正的成熟度指标是复购——同一个团队第二次、第三次带着新任务回来。这个数要等明年才有。

82.5 分是个不错的起点,它的意义在于证明「一条陌生的路,一群陌生人 48 小时能走通」。至于这条路上能不能跑货,那是另一个问题,而且是更难的那个。