# 44 次成功、60 次试验：73.3% 这个数，置信区间有 22 个百分点那么宽

> 11 月 19 日挂出的 Z-sight 在宇树 G1 上做了六项真机任务、每项 10 次，成功率 73.3%（44/60），比最强基线高 20 个百分点，动作块 110 毫秒。结果是真的，但它是一次 60 次抽样：同一个 73.3%，95% 置信区间大约从 62% 到 85%。这篇论文最值得学的不是方法，是它把基线一起放进同一套协议里的做法。

### TLDR

- **结果**：宇树 G1 六项日常任务、每项 **10 次**，成功 **44/60 = 73.3%**；同协议下 Fast-WAM **53.3%**、Ψ0 **40.0%**、GR00T N1.7 **36.7%**、π0.5 **26.7%**。
- **仿真**：全身移动操作基准 SIMPLE 总体 **81.9%**，比文中最强基线 GR00T N1.7 高 **9.6** 个百分点。
- **时延**：动作块 **110 毫秒**；做法是在 VLM 感知当前画面的**同一套视觉 token 空间**里预测未来，再与动作一起去噪，**不做像素重建**，也不另接外部目标编码器。
- **统计**：44/60 的 95% 置信区间约 **62%–85%**；对照基线 32/60 的 **41%–66%**，两者只勉强分开。
- **判断**：这类结果的可比性全在「同协议」三个字上，而协议细节（初始位姿、失败判定、是否人工复位）通常不公开。

### SRC

主源为 **2026-11-19**（北京时间）挂出的论文 Z-sight，arXiv 编号 **2611.24940**（https://arxiv.org/abs/2611.24940 ），SIMPLE 81.9%、G1 六项任务 44/60、动作块 110 毫秒，以及 Fast-WAM 53.3%、Ψ0 40.0%、GR00T N1.7 36.7%、π0.5 26.7% 四组基线，全部引自论文自报结果。素材时间窗为**前一日 18:00 → 当日 09:00**；arXiv 挂出时刻落在窗口内，属窗口内条目。核查方式与边界：①论文为预印本，**未经同行评审**，所有数字均为作者团队自测，**本号未获第三方复现**，属**单一信源**；②44/60 的 95% 置信区间（62.1%–84.5%）为本文按二项分布正态近似**自行计算**，非论文给出；③「六项任务各 10 次」的任务清单与逐项成功率，本号仅见到汇总口径 44/60，未见逐项拆分，故本文**不对任务难度做任何排序**；④SIMPLE 基准的任务构成与评分细则本篇未逐一核实，只按论文表述引用其总体成功率；⑤110 毫秒为论文所报动作块执行时延，其测试硬件与推理配置本篇未核。与本号 2026-11-19《93.3% 的通过率里，73.3% 才是真问题》（Duo v1）无关；与 2026-11-19《Phoenix》一篇的差异在于：那篇处理的是 3.93 万小时预训练数据配比与六个基准的面板，本篇处理的是**单个模型 60 次真机抽样的统计口径**，并对「60 次能证明什么」做量化讨论。全部判断以「判断：」开头。

### BODY

<p>先把这篇论文的数字按「跟谁比」分成两列。跟基线比，它是压倒性的：73.3% 对 53.3%，高 20 个百分点；仿真榜 81.9%，比最强基线高 9.6 个百分点。跟自己比，它是一组很小的样本：六项任务，每项十次，一共六十次。</p>

<p>这两句话都成立，而且不冲突。它们各自的用途完全不同。</p>

<div class="sec">
<div class="eyebrow">一、先把四组基线摆平</div>

<div class="tbl-wrap"><table>
<tr><th>模型</th><th>G1 六项任务成功率</th><th>成功次数（按 60 次折算）</th></tr>
<tr><td>Z-sight</td><td>73.3%</td><td>44</td></tr>
<tr><td>Fast-WAM</td><td>53.3%</td><td>32</td></tr>
<tr><td>Ψ0</td><td>40.0%</td><td>24</td></tr>
<tr><td>GR00T N1.7</td><td>36.7%</td><td>22</td></tr>
<tr><td>π0.5</td><td>26.7%</td><td>16</td></tr>
</table></div>
<div class="cap">表注：成功率引自论文自报，「成功次数」为本号按 60 次试验折算，用于后续置信区间计算；折算值可能与论文实际逐项分布不一致。抓取日期 2026-11-20。</div>

<p>四组基线在同一套协议下跑，这件事本身就值得单独说一句。机器人领域的真机对比长期有个毛病：每篇论文用自己的初始位姿、自己的物体摆放、自己的失败判定，于是「我比 SOTA 高 15 个百分点」这句话几乎无法验证。把四个模型拉进同一套协议，比把成功率再提高五个点更有用——它让后续所有人有了一个可以吵架的共同分母。</p>

<div class="keypoint">判断：一个评测的价值，上限由「协议公开程度」决定，不由「最好成绩」决定。同协议跑四家基线是加分项；但协议细节（每次试验的初始位姿是否随机、失败几次后人工复位、物体掉落算不算失败）如果没写进附录，这组数仍然只能当作方向，不能当作能力刻度。</div>
</div>

<div class="sec">
<div class="eyebrow">二、60 次试验的置信区间有多宽</div>

<p>44 次成功、60 次试验，点估计 73.3%。按二项分布正态近似，标准误是 0.733 乘 0.267 除以 60 再开方，约 5.7 个百分点；95% 置信区间因此是 62.1% 到 84.5%，宽度约 <strong>22 个百分点</strong>。</p>

<p>同样算一遍最强的基线：32/60 的点估计 53.3%，标准误约 6.4 个百分点，95% 区间 40.7% 到 65.9%。</p>

<div class="jx-cols">
<div style="flex:50">
<div class="eyebrow">Z-sight：44/60</div>
<p>点估计 <strong>73.3%</strong><br>区间 <strong>62.1%–84.5%</strong><br>宽度 22.4 个百分点</p>
</div>
<div style="flex:50">
<div class="eyebrow">Fast-WAM：32/60</div>
<p>点估计 <strong>53.3%</strong><br>区间 <strong>40.7%–65.9%</strong><br>宽度 25.2 个百分点</p>
</div>
</div>

<p>两个区间只在 62.1%–65.9% 这不到四个百分点的窄带上重叠。也就是说，「Z-sight 比 Fast-WAM 强」这个结论<strong>勉强显著</strong>——重复一次同样的 60 次试验，结果翻过来的概率不高，但也绝不是「不可能」。</p>

<p>再看另外三组。Ψ0 的 40.0% 与 GR00T N1.7 的 36.7% 只差两个成功次数，在 60 次样本里这个差距<strong>完全不可区分</strong>。所以论文里那张排名表，真正有信息量的只有第一名和第二名之间的那一段，第三到第五名之间的排序应当视为噪声。</p>

<div class="keypoint">判断：读这类论文，第一步不是看方法，是看 n。60 次试验能区分「差 20 个百分点」，不能区分「差 3 个百分点」。行业里大量的「某某模型超过某某」结论，差的就是这 3 个百分点——那不是能力差距，是抽样波动。</div>
</div>

<div class="sec">
<div class="eyebrow">三、不重建像素，省下的到底是什么</div>

<p>论文的方法可以一句话概括：在 VLM 感知当前画面的同一套视觉 token 空间里预测未来，再把预测与动作一起去噪。它不做像素级重建，也不另接一个外部目标编码器。</p>

<p>这两条「不做」各有对应的成本。做像素重建的路线（先在潜空间画出一帧未来的图，再从图里反推动作）中间多了一道解码，误差会被放大一次，且对纹理细节过度敏感——地上有块花纹地砖，模型会花算力去预测那块砖的纹路，而它对抓取毫无影响。不重建像素，等于把这部分算力省掉。</p>

<p>不另接外部目标编码器，省的是工程复杂度：少一个需要单独训练、单独版本管理的模块，部署时少一个失败点。代价是模型必须自己学会「什么值得关注」，这通常意味着更长的训练和更依赖数据配比。</p>

<p>省下来的时间体现在一个数上：动作块 <strong>110 毫秒</strong>。这个数的含义是模型每 110 毫秒输出一段动作序列，而不是每一步都重新推理。换算一下，一秒里大约九个决策点。对抓取、摆放这类任务，这个频率够用；对需要快速反应的任务（接住掉落的物体、避让突然出现的人），110 毫秒就是十厘米以上的位移差。</p>

<div class="keypoint">判断：动作块长度是个被严重低估的参数。它同时决定了三件事——推理成本、反应速度、以及「出错后多快能改」。块越长越省算力，但改错越慢。这个数很少出现在摘要里，却比成功率更能预测一个模型能不能上产线。</div>
</div>

<div class="sec">
<div class="eyebrow">四、这篇论文最该被抄走的是它的表格</div>

<p>回到开头那组矛盾。仿真 81.9%、真机 73.3%，两个数相差不到九个百分点——这在机器人论文里算相当小的落差。对照本号 11 月 19 日拆过的另一篇：Phoenix 在 LIBERO-Plus 上报 94.8%，真机 RoboDojo 均值只有 30.0%，落差六十多个百分点。</p>

<p>同一个星期、同一批真机平台，两篇论文的「仿真—真机落差」差了一个数量级。原因未必是谁更诚实，很可能是基准难度不同：SIMPLE 与 RoboDojo 的任务构成不一样，后者包含更多接触密集、需要力反馈的操作。这也正是跨论文比较成功率没意义的原因——<strong>不同基准之间的数字，连量纲都不统一</strong>。</p>

<p>所以本篇能给出的实用结论只有三条：一，看真机成功率先看 n，n 小于一百的排序别当真；二，看基线先看是不是同协议，不同协议的「高 20 个点」不算数；三，看仿真与真机的落差，落差小的模型不一定强，但落差大的模型一定还没解决迁移。</p>

<div class="keypoint">判断：对做交付的人来说，这类论文的用法不是「选一个模型装上去」，是「抄它的评测设计」。给自己的项目建一个固定协议的小测试集——同样的十个工位、同样的二十次试验、同样的失败判定——比追任何一个新模型都更能积累判断力。半年后你会有一张自己场地的对比表，那张表比 arXiv 上任何一张都值钱。</div>

<div class="srcline">来源：Z-sight，arXiv:2611.24940，2026-11-19 挂出。数字均为论文自报，未经第三方复现。</div>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/zsight-44-of-60-confidence-interval-real-robot/*
