先把最容易误读的一处说清：31.39 分不是"开源模型打败了闭源模型"。
同一张表里，GPT-6 Astra 用这套框架拿到 51.90 分。31.39 是 Qwen3.8-Flash-Next 的成绩。两个数不存在竞争关系。
真正值得看的对比在这一行：同样是 Qwen3.8-Flash-Next，用 RoboProbe 是 1.90 分，用 uni-robot-agent 是 31.39 分。
模型没换，权重没换，任务没换。换的只是"模型怎么调用机器人"这一层。
| 方案（同为 Qwen3.8-Flash-Next） | RoboDojo 得分 | 成功率 |
|---|---|---|
| RoboProbe | 1.90 | 未披露 |
| RPent | 7.75 | 未披露 |
| GAP Hybrid（结合 π₀.₅） | 21.01 | 未披露 |
| uni-robot-agent | 31.39 | 25% |
| uni-robot-agent + GPT-6 Astra | 51.90 | 46.67% |
1.90 到 31.39，是 16.5 倍。
这个倍数在具身评测里不常见。过去两年同类工作提升通常是几个百分点到十几个百分点——换模型、加数据、调提示词，能拿到 5 到 10 分已经算显著。
31.39 之所以能跳这么远，是因为它治的不是"模型不会"，而是"模型被喂了错的信息"。
论文里举的例子很朴素：机器人抓一个物体，模型要根据图像和机械臂位置算抓取坐标。如果图像是上一时刻的，机械臂状态却已经更新，算出来的坐标就是错的。uni-robot-agent 做的事之一，是把相机图像、标定信息和机器人状态绑定到同一时刻。
另一件是执行侧的：请求去重、监测机械臂是否停滞、把执行结果和新的观测回传，让模型判断任务成没成。
判断：这类"接口工程"过去不被算作研究成果，因为它看起来只是把系统接好。但 1.90 与 31.39 的差距说明，在机器人操作这件事上，"系统接得对不对"对成绩的影响，比"模型聪明不聪明"更大。这也解释了为什么很多实验室的复现做不出来——不是模型差，是时间戳、坐标系、单位、反馈格式对不上。
全文最硬的一组数在这里。研究团队做了一次逐步减信息的实验，只用 RGB 图像与机器人本体状态，逐项拿掉深度和标定。
去掉深度，掉 12.5%。去掉标定，掉 71%。
Astra 那组也一样：55.83 → 55.04（几乎不掉）→ 31.29（掉 43%）。
判断：这一段结论比分数本身更有用——相机标定的价值远高于深度图。含义是：如果你的机器人只有 RGB 相机，别急着加深度模组，先把标定做准、把多视角几何算对；反过来，如果标定不准，加多少深度都救不回来。这条经验对做二次开发交付的团队是直接的：现场部署时最该花时间的是标定流程，不是堆传感器。
补充一点原文没有强调但可以推出来的：只靠 RGB 时模型仍能完成部分空间定位（9.13 分不是 0），说明它确实在做三角测量。论文另有一处佐证——即使是 GPT-6.1 Sol，仍有约 31.5% 的三角测量调用没通过几何一致性检查。这个错误率，就是"没有深度时的真实天花板"。
这套框架支持三种模式：直接调用工具、Code as Policy（模型写代码操控）、Hybrid（VLM 与 VLA 协作）。团队还留了一个 Clean Mode，只保留 move、hold、finish、capture_scene 四个基础工具。
关掉技能库与技能编写功能后，Qwen 的综合得分从 31.39 降到 30.31，保留 96.6%；成功率从 25% 降到 24.58%。
用 Clean Mode（四个工具）时，Qwen 与 Astra 分别保留完整工具配置 90.4% 与 90.5% 的得分，而 token 用量分别减少 35.7% 与 78.8%。
判断："预置一堆技能"这条路，收益比想象中小得多。96.6% 这个数说明，模型的分数主要来自标准化感知与运动工具加自身推理，而不是来自人类提前写好的"抓取技能""放置技能"。这对工具链设计的启示很直接：与其给模型一百个技能，不如给它四个可靠的基础动作，再把上下文管好。token 降 36%–79% 而分数保住九成，这在按 token 计费的场景里就是直接的成本下降。
再看成本那一栏：平均每任务 API 费用 Qwen 1.09 美元、DeepSeek 0.94 美元、Astra 21.29 美元。同框架下达到 25 分所耗，Astra 用 740 万 token、42.6 分钟；Qwen 用 2350 万 token、95.5 分钟；DeepSeek 用 4990 万 token、99.2 分钟。
一个反直觉的地方：Astra 单任务贵 20 倍，但达到同一分数只用了十分之一的 token 与一半时间。算总账，谁便宜要看任务数量——做少量高价值任务，贵的模型更划算；做大规模评测，便宜的模型更划算。
团队比对了 13 个不同家族、代际、规模的模型，发现机器人操作能力与模型规模、发布时间没有简单对应关系。Qwen3.5、3.6、3.7 都没有完整任务成功记录，到 3.8 才出现：27B 成功率 8.06%，Flash-Next 到 25%。一个参数更小的 27B，做到了旧版大模型做不到的事。
失败轨迹被归成四类：
四类里，几何计算这一项的改善幅度最大（81.8% → 1.5%），也最不像"智能"问题——它就是坐标变换算得对不对。
判断：把"机器人操作能力"拆成这四项之后，很多宣称就被证伪了。一个模型在 MMMU-Pro 上分数高，不代表它能算对相机到机械臂的变换；一个模型能写代码，不代表它知道手腕该转多少度。论文最后把这四项与 ERQA、MMMU-Pro、ScreenSpot-Pro、LiveCodeBench v6 做了相关性分析，结论是"操作能力可能是不同领域基础能力的组合泛化"——这句话翻译过来就是：没有专门的"机器人智商"这一项，只有一堆通用能力在物理世界里的合成。
第一，评测的"特权信息屏蔽"是这套框架最值得学的地方，但也是复现难点。团队在主要仿真实验里只给 RGB、相机标定、本体状态与任务指令，不给深度真值、物体 CAD、隐藏场景标注、任务验证器反馈，也不允许外网访问。这套约束很硬，硬到别人很难在自家环境里一比一复刻——所以 31.39 是"在这套条件下"的成绩，不是绝对水平。
第二，真机 19 项评测的输入条件不齐。Qwen 与 Astra 有 D405 深度，π₀.₅ 与 Dream-1 只有 RGB，原文自己点明了"成绩差异不能完全归因于模型本身"。因此"Qwen 领先微调后 π₀.₅ 5.75 分"这句话，在严格意义上不成立为模型对比。
第三，RoboDojo 是仿真基准。仿真里能拿到的物体精确三维位置、CAD 模型，在真机上没有；真机上的光照、反光、柔性件形变，仿真里也没有。31.39 这个数能说明接口设计的重要性，不能说明这套框架在客户现场能跑多稳。
框架已经接入 ARX One、松灵 Piper-X 等真机，智元 G2 与宇树 G1 在接入中。等这些真机跑出稳定的整班数据，才能判断这套接口是"评测友好"还是"部署可用"。