Opus 5.5险胜GPT-6，角斗场揭穿大模型眼高手低

2026年10月20日，常态化具身智能仿真评测平台 RoboColiseum（机器人角斗场）公布了四款前沿多模态大模型的同台成绩：Claude Opus 5.5 以 76.28% 的综合得分，险胜 GPT-6 Astra 的 75.99%，GPT-6.1 Sol 与 Gemini 4 Argon 分别以 70.91%、66.86% 排在后面。0.29 个百分点的差距，让「Opus 击败 GPT-6 和 Gemini 4」迅速成了标题。但真正值得开发者看的是另一组数字：这四款模型在「指令跟随」上能拿到 86% 到 99%，一到「通用操作」就集体掉到 39% 到 47%。这不是谁又赢了谁，而是通用大模型「脑子很灵、手很笨」的结构性短板，被一把统一的尺子第一次量得这么清楚。

目录

• 一、导语
• 二、概念澄清：RoboColiseum 是什么，不是什么
• 三、事件脉络：0.29 个百分点的「爆冷」
• 四、机制拆解：为什么脑子赢了，手却输了
• 五、横向对比：通用大模型与专用策略模型
• 六、上手：5 分钟提交，30 分钟出成绩
• 七、冷静视角：89.5% 相关性之外的三盆冷水
• 总结

二、概念澄清：RoboColiseum 是什么，不是什么

先把最容易混淆的三层拆开。

它不是一个新模型，也不是某一家的发布会，而是一个常态化具身智能仿真评测平台，由高校、科研机构、开源社区、机器人企业与模型公司多方共建，2026 年 8 月 22 日正式上线。它要解决的是具身智能圈的老毛病：各家发 Demo、报成功率，但考卷不同、硬件不同、评分标准不同，横向比较几乎无从谈起。

它也不是一张只给「总分」的排行榜。平台把机器人干活的能力拆成四个子榜——指令跟随、空间理解、扰动适应、通用操作，一共 78 个高保真仿真任务、覆盖 3000 多个泛化案例。评测不只判「成功还是失败」，还会把任务拆成子步骤，记录模型在哪一步摔倒、动作卡在哪里。这一点比分数本身更有用：它把「黑盒分数」变成了可归因的短板清单。

第三层最容易被忽略：Agent2Act 不是模型，是统一控制框架。多模态大模型负责读任务指令、看视觉观测、按需查询只读的深度与传感器证据，然后提出动作；Agent2Act 负责校验这些动作、把它们转换成机器人命令；任务成败由环境侧评分。四款模型接的是同一套框架、同一批任务、同一套评分，这才让「同台比试」成立。一个评测平台，凭什么能把三巨头的模型拉到同一条起跑线？答案就在这层统一封装里。图三把 RoboColiseum 从内测到四模型同台的节奏串了一遍。

（图三：2026 年 6 月内测、8 月 22 日正式发布、10 月 20 日四模型同台，RoboColiseum 用四个月走完了从工具到标尺的路）

还有一个常被提起的概念是 Sim2Real Gap——仿真到现实的鸿沟。很多模型在模拟器里表现很好，一到真机遇到光照变化、相机噪点就现原形。RoboColiseum 的做法是把仿真环境做得尽量高保真，再用真机数据做双向校验：真机训出来的模型可以提交仿真快速筛查，仿真迭代的模型也能拿真机验证迁移效果。这个闭环能不能成立，取决于仿真与现实的吻合度，后面会看到它的具体数字。

三、事件脉络：0.29 个百分点的「爆冷」

这次同台的四款模型是 GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5 和 Gemini 4 Argon。综合得分上，Opus 5.5 拿到 76.28%，Astra 75.99%，Sol 70.91%，Gemini 66.86%。0.29 个百分点的差距，算不算真的「爆冷」？先别急着下结论，把成绩单拆开看更清楚。

模型	综合	指令跟随	空间理解	通用操作	扰动适应
Paimon（专用策略）	77.54	89.61	67.91	66.13	86.53
HiDream-O1-Embodied	76.92	89.13	74.37	64.42	79.78
Claude Opus 5.5	76.28	96.60	82.50	46.70	79.30
GPT-6 Astra	75.99	99.35	78.33	45.86	80.42
GPT-6.1 Sol	70.91	95.50	77.71	40.01	70.40
Gemini 4 Argon	66.86	85.89	69.38	38.79	73.36

注：四款大模型取自技术报告表 I，Paimon 与 HiDream 取自表 III 的 0–1 分数并乘以 100，便于同表比较。

完整榜单其实有 8 个条目。除了 Paimon、HiDream 和四款大模型，还有 DM0.5（70.76%）与 GigaBrain-0.7（65.04%）等专用模型。换句话说，这不是一场只有四名选手的比赛；四款大模型只是被单独拎出来做「同框架对比」，因为它们的身份相近——都是通用多模态模型，而不是为某个机器人本体专门训练的策略。把不同出身的东西硬排在一起，容易得出「谁更强」的误读，所以平台用浅蓝底把「通过 Agent2Act 评测的多模态模型」单独标出。

把这张表按「事实 / 推断 / 未知」三层再切一次，能避免把标题当结论。

层级	内容	依据
事实	四款模型接入同一套 Agent2Act，Opus 5.5 综合 76.28% 排四款之首，Astra 75.99% 紧随其后	技术报告表 I
事实	放到完整榜单，专用策略模型 Paimon 77.54%、HiDream-O1-Embodied 76.92% 仍排在前二，Opus 只列第三	技术报告表 III
事实	四款大模型的通用操作得分只有 38.79% 到 46.70%，均低于 Paimon 的 66.13%	表 I / 表 III
事实	图像质量扰动后，Claude 分数下降 0.20、Gemini 下降 0.26、Astra 下降 0.32、Sol 下降 0.77	平台公布的扰动测试
推断	Opus 的领先主要来自空间理解与通用操作，Astra 的优势在指令跟随与抗扰动	表 I 分项对比
未知	0.29 个百分点是否在统计误差内、榜单置信区间、不同推理强度设置的影响	报告未披露置信区间

这里有个必须说清的细节：标题里的「击败 GPT-6、Gemini 4」，是在四款通用大模型内部成立；放到完整榜单，专用策略模型依然压在上面。图一把这两层关系画在了一起。

（图一：四款大模型内部 Opus 5.5 险胜，但完整榜单前两名仍是专用策略模型 Paimon 与 HiDream-O1-Embodied）

四、机制拆解：为什么脑子赢了，手却输了

为什么这些能写代码、能做数学的顶级模型，一碰到开门、倒水就手忙脚乱？要回答这个问题，得先看四个子榜分别在考什么。

• 指令跟随：能不能听懂颜色、数量、形状、尺寸、类别、逻辑与常识，找对目标再做对动作。
• 空间理解：懂不懂绝对位置、相对关系、尺寸与序号排序、堆叠与对齐。
• 扰动适应：换背景、调光照、加噪点、改相机位置、改写指令之后，还稳不稳。
• 通用操作：开门、倾倒、舀取、上货、分拣、整理桌面、双臂协作，把原子技能组合成长程任务。

前三项，本质是多模态理解加规划——这正是通用大模型的看家本领。所以四款模型在指令跟随和空间理解上能压过专用策略模型：它们读过海量图文，能解析「把红色方块放到蓝色盒子左边」这种组合语义，也能推理相对方位。

但通用操作考的是另一套能力：闭环控制、接触丰富的操作、物理常识、实时反馈。大模型输出的是离散的动作提案，频率低、不带伺服级的连续控制；它知道「锅是用来端的」，却不知道「锅必须抓着锅柄、两手端平才稳」。测试里有个很典型的画面：模型明明认出了那是一口锅，抓取姿势却别扭得像在拿烫手山芋；只要给一条明确提示——「请抓住锅柄」——它立刻就能稳稳端起来。这说明它缺的不是「识别」，而是「物理常识」。

再往深一层，这是控制频率与动作空间的结构差异。专用策略模型通常直接在关节或末端执行器空间里输出连续动作，能以较高频率闭环修正；通用大模型走的是「看一帧、想一下、给一个动作提案」的离散路径，中间还要经过框架校验与转换。让它去完成「把锅端平」这种需要毫秒级力反馈的任务，就像让一个每秒钟只能眨一次眼的人去穿针——不是不懂，而是来不及。

一组剥夺实验把这条边界量得更细。拿掉动作偏差反馈，指令跟随成功率从 90% 降到 80%，平均规划决策从 16.7 次涨到 35.6 次，耗时从 32.50 分钟拉到 58.26 分钟；拿掉深度信息，成功率降到 80%，平均下发控制步数增加到 158.2 步；不告诉它抓手的形状与接触方式，它连「手该怎么摆」都反复试不明白。最直观的是拿掉历史记录：四种「把积木放进盒子」的布局，完整系统全部成功，去掉历史后只成功两种——失败的两次都是积木已经拿起来，却在放置阶段反复做同一个动作，成了「鬼打墙」。

图像质量则是另一个共同死穴。加入噪点、镜头遮挡之后，Claude 掉 0.20、Gemini 掉 0.26、Astra 掉 0.32，Sol 直接掉 0.77。视觉是这类模型的唯一输入，镜头一糊，等于「双目失明」。图二把「脑力」和「手力」两个维度摊成一张象限图：四款通用大模型全部挤在右下角——语义强、执行弱。

（图二：横轴语义理解、纵轴闭环执行，Opus/Astra/Sol/Gemini 都在「眼高手低」的右下格，Paimon 与 HiDream 落在「又会想又会做」的右上格）

五、横向对比：通用大模型与专用策略模型

把四款大模型和两款专用策略模型放在一起，分野非常清楚：专用模型赢在「手」，通用模型赢在「脑」。

通用操作维度，Paimon 66.13%、HiDream 64.42%，四款大模型只有 38.79% 到 46.70%，差了近 20 个百分点。指令跟随维度反过来，Astra 99.35%、Opus 96.60%、Sol 95.50%，而 Paimon 与 HiDream 都在 89% 左右。这个「剪刀差」就是「眼高手低」的量化版本。

更值得看的是 HiDream-O1-Embodied：它既属于具身专用模型，又拿到了 89.13% 的指令跟随和 64.42% 的通用操作，落在象限图的右上格。这说明「专用」不等于「听不懂人话」——真正稀缺的是把语义理解和闭环执行同时做扎实，而这恰恰是通用大模型目前最缺的一环。

GPT-6 Astra 的表现则划出了另一条边界：粗动作与精细动作。它能协调底盘、躯干和机械臂去扔垃圾、开门，能在跨房间场景里从厨房拿一罐雪碧放到餐桌，还能用同一套系统控制 ARX、AgileX、G1、G2 这些形态各异的机器人——跨本体、长程、全身协同都做得不错。但一到灵巧手就歇菜：叠碗能接近、能接触，一抓就失败；从塞满的书架上取书，多次调整姿势仍失败；给手机充电、插网线，能拿起东西却对不准插口。即便补充手指与手掌的几何信息，它仍端不起一只碗。

这条边界对落地很有指导意义：如果任务是搬运、开门、跨房间取物这类「大开大合」的活，通用大模型加统一框架已经能打；如果任务落在插拔、装配、叠放、精细抓取上，专用策略模型或「通用模型 + 专用末端技能」的混合方案更现实。把两类任务混在一个综合分里比较，很容易高估通用模型，也容易低估专用模型的价值。

这也解释了为什么 RoboColiseum 值得单独拿出来看。据平台介绍，截至 2026 年 8 月，全球各类具身大模型榜单已超过 20 个，但多数只给一个综合成功率，模型之间分数很快趋近，很难再区分差距。把能力拆成四个子榜、把每个任务拆成子步骤，才有可能回答「它到底弱在哪」，而不是只给一个模糊的总分。

六、上手：5 分钟提交，30 分钟出成绩

对开发者来说，这个平台最实际的价值是「不用先买真机」。它的提交流程被封装成在线服务：注册到提交最快 5 分钟，一键部署模型，最快 30 分钟就能拿到分项成绩、任务步骤结果和模型推演视频。模型代码和核心权重都不需要上传，只需在本地部署推理服务、接入标准接口。平台还公开了 ACoT-VLA、π0、π0.5、GR00T 等主流具身基座模型的基线成绩与训练代码，可以先复现基线，再换自己的策略。

下面是一个「把本地策略包成 HTTP 推理服务」的最小示意，具体请求字段以平台 Usage 文档为准：

# 示意：把本地策略包成 HTTP 推理服务，再按平台文档接入标准接口
# 环境：Python 3.10+，pip install fastapi uvicorn
from fastapi import FastAPI
from pydantic import BaseModel
import numpy as np

app = FastAPI()

class Obs(BaseModel):
    images: list[str]      # 多视角图像（按平台要求编码）
    instruction: str       # 任务指令
    state: list[float]     # 机器人本体状态

@app.post("/act")
def act(obs: Obs):
    # 这里替换成你自己的策略：输入观测，输出动作
    action = np.zeros(7).tolist()  # 7 维关节/夹爪动作示意
    return {"action": action}

# 启动服务，然后把地址接入平台
uvicorn server:app --host 0.0.0.0 --port 8000

一个更稳的顺序是：先跑平台给的基线，确认「评测链路能通」；再把自己的策略接进去，先看四个子榜的分项，而不是只盯综合分；最后针对最弱的那一维做消融——是语义没听懂、空间没对齐，还是闭环反馈没接上。平台还把「失败归因」做成了产品能力：评测失败时，它会告诉你卡在哪一步、动作停在哪里，而不是只给一个成功率。对做模型迭代的人来说，这比多一个榜单名次更有价值——你能直接定位是语义、空间还是闭环反馈出了问题。

七、冷静视角：89.5% 相关性之外的三盆冷水

第一盆冷水泼给「仿真即现实」。平台给出的仿真评测与真机部署相关性是 89.5%，同一模型在仿真与现实的差异控制在 10% 以内。但这是一个平均口径：极端光照、罕见材质、可形变物体这些边角场景，仿真仍然只是对现实的近似。89.5% 的相关性，足够支撑「虚拟即现实」吗？更准确的说法是：它足以做快速筛查和归因，但不能替代最后一轮真机验证。

第二盆冷水泼给 0.29 个百分点。报告没有披露置信区间，78 个任务里只要有几道题的成败翻转，排名就可能改写。把「Opus 险胜」当成稳定结论，目前还早；更稳妥的读法是「四款大模型在同一量级，Opus 略占上风」。还有一点：不同模型的推理强度设置并不完全一致，技术报告注明 Astra、Sol、Opus 使用高推理强度，Argon 使用中等强度。推理强度会直接影响规划质量与耗时，这意味着这张表更像是「各自较优配置下的一次横评」，而不是严格等算力的对照实验。

第三盆冷水泼给「击败」这个词。四款大模型内部，Opus 确实第一；但完整榜单上，专用策略模型 Paimon 与 HiDream 仍排在前二。标题说「Opus 击败 GPT-6、Gemini 4」没错，但如果读者据此以为「通用大模型已经通吃具身智能」，就正好读反了——它证明的是「脑子追上来了」，不是「手也跟上了」。

还有两个待观察点：图像质量扰动下 Sol 掉 0.77，说明真实部署必须先解决传感器退化；灵巧手任务（叠碗、取书、充电、插网线）目前仍是通用大模型的明确短板，专用策略模型的机会也在这里。等榜单上的分数继续趋近，评测本身还得继续加难度，否则很快又会回到「大家都是 90 分」的尴尬。

总结

RoboColiseum 这次同台，最值得记住的不是「Opus 5.5 以 0.29 个百分点险胜 GPT-6 Astra」，而是它用一套统一的框架、任务和评分，把通用大模型的能力边界量了出来：指令跟随 86% 到 99%，通用操作只有 39% 到 47%，专用策略模型在「手」上仍然领先近 20 个百分点。对做具身应用的团队，它是一把低成本、可归因的尺子；对关注大模型的人，它提醒了一句：语言与多模态理解的上限，不等于物理执行的上限。下一步该看的是，通用模型能不能把「抓锅柄」这类物理常识补进闭环里，以及榜单在分数趋近后还能不能继续拉开差距。