全球机器人公司集体“卷真机”：星动纪元Era0模型登顶最硬核具身智能榜单

如今，具身智能领域正经历一场显著的变革。

全球的机器人企业，不约而同地开始“卷真机”了。

前几天，Figure公司进行了一场物流分拣的7×24小时不间断直播；Physical Intelligence也在不断探索让机器人完成各类家务；而马斯克则反复强调，特斯拉的Optimus必须实现“useful work”。

整个行业越来越清晰地认识到一个事实：

机器人时代的竞争，早已不再是比拼谁的Demo更炫酷，谁的机器人更擅长表演。

真正的较量在于，谁能扎进物理世界，真正地干出活来。

毕竟，机器人一旦踏入现实环境，挑战的性质就彻底变了。

桌面会反光，地面会脏乱，物体相互遮挡，动作的误差会不断累积。

那些看似简单的擦桌子、抓包裹、放东西，背后考验的是感知、规划、控制和记忆能力的综合实力。

各家厂商都在标榜自己是“劳动小能手”。那么，究竟谁最能干？

要公平起见，还得把各家模型拉到真实世界里一决高下。

最新进展是，全球最大规模具身智能真机评测平台——RoboChallenge Table30榜单再次更新。

结果一出，行业格局瞬间清晰，各玩家的实力高低立判。

登顶榜首的，是一家来自清华系的明星具身机器人公司——星动纪元自研的具身模型Era0。它以64.33%的成功率和76.34的综合得分，拿下了全球第一。

更值得一提的是，它并非靠单项任务刷分。在总计30项任务中，星动纪元Era0有17项任务取得了SOTA级别的表现，创下了榜单纪录。

别看这些任务五花八门，归根结底，它们考核的核心只有一件事：

具身大脑在物理世界持续“干活”的能力。

登顶具身智能界“最硬”榜单

RoboChallenge被业界公认为“真机高考”。

它不仅被纳入了ICRA 2026 Competition，也进入了CVPR 2026 Workshop Competition（GigaBrain Challenge Track），获得了国际顶级机器人与计算机视觉会议的官方认可。

登顶RoboChallenge，意味着模型通过了真实世界的考场。

这对所有具身智能玩家来说，吸引力巨大。

Physical Intelligence的π0/π0.5、微软的CogACT、OpenVLA等全球顶尖的VLA模型，经常在这个榜单上激烈交锋。

而这一次，竞争同样异常激烈。一组数据足以窥见其战况：

参赛的“选手”共有22个；30个任务总共跑了1088次；总episode数量达到了25627次。

这不是跑几个Demo视频，而是真刀真枪地进行连续真机测试。

其中，有两项任务尤其受到行业关注：

• 制作素食三明治（make vegetarian sandwich）
• 擦桌子（wipe the table）

因为，它们实在是太难了！

先说说制作三明治。

这个任务看起来像厨房小游戏，实际上考验的是长程任务规划能力。

机器人不仅要清楚先拿什么、后放什么，还得记住自己进行到哪一步了。

面包放错顺序、食材遗漏、动作陷入循环，都会导致整个任务直接失败。

它本质上不是在考机器人会不会抓取，而是在考机器人能否像人一样，理解并执行一个完整的流程。

再看擦桌子。

整个过程看似日常，但难点在于所有物品都是白色的——用白色纸张擦白色桌子，并将废纸扔进白色垃圾桶。

这背后同时涉及：视觉识别、长程任务规划、接触控制、环境状态记忆。

尤其是在真实世界中，桌面污渍并不是一个标准化的目标。

它可能很小、随机分布、位置变化，甚至会因为反光、阴影、遮挡，导致机器人误判“已经擦干净了”。

在很长一段时间里，这两类任务几乎就是具身模型能力天花板的代名词。

而星动纪元Era0，一举攻克了这两道公认的难题。

在制作素食三明治任务上，Era0的成功率为20%，是Top8模型中唯一在此任务上取得非零成绩的模型。

在擦桌子任务上，Era0的成功率为60%，同样是Top8模型中唯一实现非零成绩的模型。

此外，Era0还在两个任务上直接拿下了双满分（成功率100%，过程分也是100）：

• 将开瓶器放入抽屉（put opener in drawer）
• 拧开水龙头（turn on faucet）

这意味着Era0并非偶尔灵光一现，而是真正具备了在不同任务、不同物体、不同交互环境下稳定执行的能力。

我们观察到，榜单设置的30项任务，考察维度非常广泛。

在双臂协同、柔性物体操作、多视角感知、分类任务、长时序任务等多个灵巧操作的核心维度上，Era0均位列第一。

Era0为什么能赢？

Era0霸榜的背后，真正值得行业关注的，其实不是成绩本身。

而是星动纪元正在押注的一条充满想象力的技术路线。

它没有继续沿用传统的VLA逻辑，也不是单纯堆叠一个World Model。

而是直接将两者进行了深度融合。

这件事，在行业内其实很少有人能真正做成。

原因很简单。过去两年，VLA确实一度成为具身智能的主流方案。

大家希望通过视觉+语言+动作的统一建模，让机器人像大模型一样理解世界。但问题也日益凸显。

首先是缺乏长程规划能力。

很多机器人只能完成“下一步”的动作。但现实任务不是单步选择题，更像是一部连续剧。

机器人不仅要知道下一步该做什么，还得清楚自己当前处于哪个阶段，以及后面会发生什么。

其次是幻觉问题。

模型可能“以为”自己完成了动作。但在真实的物理世界里，东西根本没拿起来，污渍也没擦掉。

最关键的，还是持续状态理解能力的不足。

△ AI生成

如果你想让机器人在物理世界持续“干活”，其大脑至少需要具备三层能力：

第一层：看得准、定位稳。

现实世界没有标准答案，弱光、堆叠、反光都是家常便饭。

很多模型不是不会抓，而是根本看不清。

我们不需要一个“一眼看懂万物”的幻觉，只想要一个次次认对、次次定位准的靠谱执行者。

第二层：想得清、走得通。

这指的是时序记忆与长程规划能力。

在多步骤、有先后顺序的任务中，它能不迷路、不循环，按部就班地把整个流程走完。

第三层：控得稳、能落地。

这要求真机动作稳定、泛化迁移能力强、学习迭代速度快。

请注意，使用者可能不需要一招制胜的高手，一个动作稳、误差小、能批量干活的扎实工程师反而更得人心。

△ AI生成

而要实现这些，仅靠模仿学习成功的VLA是做不到的。

问题在于它“知其然，而不知其所以然”。

例如，传统VLA缺乏物理因果认知，只会复刻示范动作流程，无法理解动作背后的物理逻辑、空间关系与交互原理，不明白为何要如此操作。

一旦现场环境、物料姿态、作业位置出现细微变化，原有动作就会立刻失效，无法灵活调整。

同时，它不懂行为因果，无法预判操作风险、推演行为结果，既不能自主排查失误，也难以举一反三适配新场景，只能固守既定范式。

单纯依靠模仿学习存在天然上限，根本满足不了大规模落地中灵活作业、自主进化的实际需求。

引入世界模型是最好的解决方案。

因为它本质上是在让机器人提前脑补未来，以便尽早规划下一步动作。

从行业首个原生内嵌世界模型的机器人基础底座PAD，到全球首个具身领域世界模型策略框架VPP，星动纪元始终没有把世界模型当成一个外挂。

视频，是比语言更原生的理解物理世界的方式。

他们认为，这是所有技术路线的第一性原理。

转折点出现在2025年1月，星动纪元第一次真正意义上将VLA与世界模型深度融合。

UP-VLA的推出，首次提出语言推理和视觉预测可以同时对决策提供帮助。

这相当于给机器人装上了“边干活边脑补”的能力。

但世界模型很快又遇到了一个行业级难题：真机数据太贵。

于是，星动纪元开始了下一步研究——让世界模型自己生成数据。

2025年10月，他们联合斯坦福Chelsea Finn团队，推出了“可控生成式世界模型”Ctrl-World。

整个行业首次让世界模型扮演了数据仿真引擎的角色。

机器人不再仅仅依赖海量真实世界采集的数据，也能持续提升动作的精准度与稳定性。

今年1月，他们又推出了一个名为VLAW 的架构，即“VLA策略与世界模型协同进化框架”。

其核心是将之前的Ctrl-World与VLA系统构建成一个双向数据闭环，让两者相互校准、彼此增强。

VLA和世界模型，由此正式迈入协同演进的阶段。

这一点至关重要。

从本质上讲，它改变了机器人学习物理世界的方式——不是让机器人死记硬背“如何拿杯子”，而是让它真正理解“拿起来”这个动作的内在逻辑。

现在回过头来看，你就明白Era0为何能在复杂任务中展现出强大的泛化能力了。

这并非单一模型的胜利，而是在世界模型的加持下，星动纪元一整条技术路线开始走向成熟。

强能力支撑硬任务

除了榜单上的成绩，Era0最值得关注的，还有它展现出的极为完整的能力图谱。

许多模型只擅长一两项绝活。但Era0更像一个开始真正成熟的“具身执行系统”，感知、记忆、控制、执行等环节，已经形成了闭环。

而这些能力，几乎都能直接对应到真实的工作场景中。

时序记忆决策：记得住、不循环

很多机器人，看起来已经很聪明了，能抓、能放、能移动。

但一旦任务步骤变长，问题立刻暴露。它会“失忆”，忘记自己进行到哪一步，甚至会陷入某个动作的无限循环。

这也是为什么，长程任务一直是具身智能领域最难攻克的难题之一。

机器人不仅要知道下一步该做什么，还必须清楚：我现在处于哪一步？之前发生了什么？后面还有多少步骤？

△ AI生成

Era0这次的重要突破之一，就是短程时序记忆机制。

它会持续追踪历史动作和任务状态。

终于，机器人开始“记事”了。

这一能力，在制作素食三明治的任务中表现得尤为突出。

这个任务看似简单，实则是典型的长程时序依赖任务。许多模型执行到一半就“失忆”，成功率全部为零。

只有Era0成功完成了整个流程，成为全球首个突破该任务的模型。

而这背后所对应的，正是机器人开始具备真正的“工作记忆”。

一旦进入物流场景，这一能力将变得更加重要。

因为真实的流水线，本身就是连续流程。包裹入库、扫码、分拣、装车，每一步都存在状态依赖。

如果机器人记不住流程，就一定会出现重复抓取、漏拣或错拣的情况。

柔性物体操作：控得柔、抓得稳

柔性物体操作，一直被认为是具身智能领域最难啃的“硬骨头”之一。

因为在现实世界中，大量物体并非标准的刚体。

抹布会变形，软包会塌陷，纸张会飘动，生鲜还会滑动。机器人的力度只要稍有偏差，结果就是掉落、损坏或散开。

而Era0通过规模化跨本体预训练，以及更精细的夹爪控制，让机器人能够同时适应刚性、柔性和易碎物体。

动作平滑，抖动极小。

最关键的是，它开始具备“轻重感”了。

在碎纸清理、叠抹布等柔性任务中，Era0的成功率达到43.3%，远高于行业平均水平。

而这一能力，一旦进入物流、生鲜、商超等场景，价值会立刻被放大。

因为现实仓库里，最难处理的往往不是标准纸箱，而是软包、冷链、生鲜以及高价值易碎品。

这些场景过去长期依赖人工，因为不敢交给机器人，担心它动作太粗暴。

真机执行鲁棒：误差小、可重复

最后，我想聊一个重要的能力——稳定性。

很多机器人的演示视频看起来都很流畅。但行业真正关心的问题，其实只有一个：它能连续运行多久？

毕竟机器人进入工厂后，面对的并非一次性表演，而是7×24小时不间断的作业。

动作误差会不断累积，轨迹抖动会持续放大。

很多机器人刚开始动作很漂亮，可运行半小时后，误差就开始失控。

工业场景真正稀缺的，从来不是“能完成一次”，而是能否稳定重复一万次。

Era0这次展现出的另一项核心能力，就是极强的真机执行鲁棒性。

这背后依赖的是动作插值平滑，以及真机推理优化。

这一点，在倾倒薯条入盘、扫码等高精度任务中体现得非常明显。Era0的成功率达到90%至100%。

动作轨迹连续平滑，没有明显的抖动和偏移。

这意味着，它已经不只是“会做动作”，而是开始具备工程级的稳定性。

而这，恰恰是机器人真正进入规模化产业落地之前，最关键的一道门槛。

不只会比赛，更能进厂干活

具身行业现在有一个很有意思的现象：全球的机器人公司，都越来越会“直播”了。尤其是Figure。

这里我们不想讨论直播的“含金量”。毕竟物流分拣本身，并不是只有一家公司才能完成的高难度动作。

国内不少公司都能做到。问题在于，直播场景很多时候依然是高度可控的环境。

物料规整，流程固定，工况理想。

而真正的物流现场，完全是另一回事。

纸箱、软包、异形件混杂；光照、噪音、温度不断变化；设备误差、异常工况、突发情况每天都在发生。

能在Demo中连续运行，不等于能真正进入生产系统。

行业真正稀缺的，也从来不是“会不会做演示”，而是能否长期稳定地干活。

这恰恰是星动纪元正在建立的核心优势。

事实上，在RoboChallenge之前，星动纪元已经在多个权威真机赛事中展现过统治力。

不久前，星动纪元具身模型在权威具身世界模型测评WorldArena中，斩获具身任务全球第一；

在全球具身灵巧操作难度顶尖的真机赛事Benjie’s Humanoid Olympic Games上，该公司还击败了公认的“最强大脑”PI*0.6，一举拿下剥橘子、开锁、翻袜子三项任务的全球第一。

但比冲榜更重要的，还有落地。

很多公司还在讲“未来机器人会进入工厂”，星动纪元已经开始交付了。

目前，星动纪元已在物流领域率先实现行业首个具身智能PMF落地。

该公司已与顺丰、中国邮政等企业展开深度合作，在全国5个省市的10余个物流中心，稳定承接真实分拣作业。

这甚至引起了海外机器人垂直媒体Bots n Beans创始人Peter Kappes的注意。

（星动纪元）已部署。而Figure……目前尚未正式宣布任何物流合作。

具身智能行业里，有人还在证明“机器人能干活”。

有人已经开始让机器人批量入厂干活了。

据公开信息，星动纪元在2026年Q2已开启千台级批量交付，同比增速达300%。

One more thing

从某种意义上说，RoboChallenge这次把整个行业重新拉回了现实世界。

能否在随机环境中持续工作，能否真正进入生产系统，是这次大考最重要的评判标准。

Era0的登顶，也同时证明了两件事：

一是它能比赛，说明技术先进；二是它能干活，商业模式成立。

而同时做到这两件事的具身大脑，才会是真正稀缺的下一代基础设施。