# 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。

### TLDR

- **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。
- **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。
- **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**。
- **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。
- **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。
- **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。

### SRC

主源为解放日报 **2026-11-18** 稿（记者查睿，同花顺财经同日转载，https://m.10jqka.com.cn/20261118/c681926140.shtml ），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：①**82.5 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。

### BODY

<p>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」。</p>

<p>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。</p>

<div class="sec">
<div class="eyebrow">一、先把赛制念一遍，因为它决定了分数能说明什么</div>

<p>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。</p>

<p>最后这条规则是关键。</p>

<p><strong>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」。</strong>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。</p>

<p>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。</p>

<div class="jx-tl">
<div class="jx-tl-row"><div class="jx-tl-t">9 月</div><div class="jx-tl-b">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</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">11 月 14 日</div><div class="jx-tl-b">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</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">48 小时</div><div class="jx-tl-b">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</div></div>
<div class="jx-tl-row"><div class="jx-tl-t">11 月 16 日</div><div class="jx-tl-b">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</div></div>
</div>

<p>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。</p>

<div class="keypoint">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。</div>
</div>

<div class="sec">
<div class="eyebrow">二、20.9% 这个数，比冠军分数更有信息量</div>

<p>组委会披露：初赛选手中只有 20.9% 有真机调试经验。</p>

<p>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。</p>

<p>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。<strong>对个人和中小团队来说，这不是「买不起」，是「不敢买」</strong>——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。</p>

<p>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。</p>

<p>这两个例子的共同点不是「努力」，是<strong>门槛的形状</strong>：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。</p>

<div class="keypoint">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。</div>
</div>

<div class="sec">
<div class="eyebrow">三、主办方自己的定性，比任何外部评论都诚实</div>

<p>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。</p>

<p>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」。</p>

<p>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。</p>

<p>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。</p>

<div class="keypoint">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。</div>
</div>

<div class="sec">
<div class="eyebrow">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</div>

<p>报道里给的三条落地线索，恰好覆盖了三种不同的难度。</p>

<p><strong>第一条是药房。</strong>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。</p>

<p><strong>第二条是工业上下料。</strong>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。</p>

<p><strong>第三条是包裹分拣。</strong>与德马科技合作，面向形状、尺寸各异的包裹分拣。</p>

<p>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。</p>

<p>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」。</p>

<div class="keypoint">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。</div>
</div>

<div class="sec">
<div class="eyebrow">五、给要办比赛或要参赛的团队留三条</div>

<p><strong>第一，看排行榜之前先看评分规则。</strong>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。</p>

<p><strong>第二，把「48 小时能跑通」当成一个采购指标。</strong>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。</p>

<p><strong>第三，别把「参赛人数」当行业成熟度。</strong>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。</p>

<p>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。</p>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/lingbot-48h-825-tool-usability-not-success-rate/*
