GM-100详解：真实世界机器人评测榜单从比规模转向考细节

前言

机器人到底是真会干活，还是只会做几个“熟练动作”？

过去几年，具身智能很火。各种机器人模型、VLA模型、模仿学习方法不断出现，演示视频里，机器人可以根据语言指令抓杯子、拿苹果、放进盒子，看起来已经很接近“通用机器人”。

但如果把镜头从演示视频拉回真实世界，会发现一个很现实的问题：很多机器人模型擅长的任务，其实集中在少数高频动作上，比如“抓起来”“拿住”“放下”“移动到某个位置”。这些动作当然重要，但真实生活远不止这些。

人类做事充满细节。比如，把球打进桌面球门，不是慢慢推过去；用印章盖章，不只是拿起印章，还要拔盖、按压、停留、再插回；关抽屉时，有时一只手要固定后方，另一只手才好推进去；穿山楂串时，要考虑竹签是否弯曲、果子是否滑动。这些动作看起来不宏大，却非常考验机器人对接触、顺序、力度、空间关系和物体特性的理解。

GM-100，全称The Great March 100: 100 Detail-Oriented Tasks for Evaluating Embodied AI Agents（用于评估具身智能的 100 项细节导向型任务），正是围绕这个问题提出的真实机器人评测基准，于2026 年初由上海交通大学联合 SII（交大内部研究团队）、RHOS.ai（交大李永露副教授领导的研究实验室）、蚂蚁灵波、蚂蚁集团共同发布。

简单来说，GM-100 是一套100 个精细化、长尾化的具身 AI 评测任务，专为全面、公正评估机器人智能体的真实世界交互能力而设计，能有效区分当前 VLA 模型的性能差异。它不是单纯多收集一些数据，也不是再做一个漂亮榜单，而是试图回答一个更基础的问题：我们到底该用什么样的任务，去判断一个具身智能模型是不是真的更强？

GM-100解决的不是“数据不够”，而是“考题太偏”

今天机器人学习领域并不缺数据。Open X-Embodiment、Agibot、RoboCOIN、DROID、RH20T 等数据集都在推动机器人训练数据规模增长。

问题在于，数据量变大，并不等于任务设计更合理。GM-100论文中特别强调，很多已有任务在语义去重和动作分类后，会明显集中在“pick and hold”等常见行为上，复杂任务和长尾行为覆盖不足。

这就像考试。如果一张试卷里大部分题目都在考加减法，那么学生的分数很高，并不能证明他会解决复杂应用题。放到机器人上也是一样。如果评测任务主要是抓取、放置、移动，那么模型在榜单上表现不错，并不意味着它真的具备复杂操作能力。

GM-100的核心价值，就在于它把评测重点从“模型有多大、数据有多少”，拉回到“任务是不是足够真实、足够细、足够能拉开差距”。它关注的是机器人在真实物理世界中经常遇到、但传统评测中容易被忽略的细节动作。比如动态接触、双臂协同、物体排序、柔顺操作、工具使用、动作节奏控制等。

| 表1：GM-100核心信息速览

论文和官网显示，GM-100在两类真实机器人平台上采集数据，其中Cobot Magic覆盖100个任务，Xtrainer当前版本覆盖前10个任务；每个任务通常包含100条训练轨迹和30条测试轨迹，用于保证不同模型在相近测试分布下比较。

GM-100到底考什么？考的是“细节动作能力”

GM-100最有意思的地方，是它并没有只选择那些看起来“有用”的家务任务，而是刻意减少人类主观偏见。

论文中提到，任务设计不以现实任务的实用性为唯一标准，而是基于物理常识和底层操作可执行性，也就是所谓 how-level affordance。简单说，就是先问：这个动作在物理上是否合理？机器人是否能通过当前硬件执行？这个任务是否能考察一种明确的操作能力？

官网展示的前几个任务已经很能说明问题：击球入门、切割物体、盖章、折纸盒、关闭桌面抽屉、穿山楂串、清理垃圾、转移试管、打开台灯、按大小排序方块等。

这些任务并不都是传统意义上的“大任务”，但每一个都在考机器人某种底层能力。比如“击球入门”考的是瞬时接触和动作节奏，机器人不能只是把球慢慢推过去；“切割物体”考工具使用和接触力控制；“盖章”考多阶段顺序动作；“关闭抽屉”考双臂配合，一只手稳定物体，另一只手推进；“穿山楂串”考精细对准、柔顺控制和防止竹签弯曲；“试管转移”考易碎物体操作；“方块大小排序”则考视觉判断、排序逻辑和稳定摆放。

| 表2：部分GM-100任务与对应能力

从普通读者角度看，GM-100其实在告诉我们：机器人真正难的不是“听懂一句话”，而是把一句话拆成一连串物理动作，并且每一步都不能太粗糙。人类做这些事情时几乎不用思考，但机器人要同时处理视觉、语言、动作、接触、力度、顺序和失败恢复，这才是真实世界的难点。

GM-100怎么生成任务？

GM-100的任务不是研究者随便列出来的。它采用了一条比较系统的任务构建流程。

第一步，是收集并分析已有机器人数据集和评测任务，对任务进行去重和语义分类，找出现有任务中哪些动作过度集中，哪些动作长期缺失。论文中的词云和动词频率分析显示，过去任务描述中确实存在明显的高频动作偏置。

第二步，是引入人–物交互研究中的知识。GM-100借鉴了HAKE、PaStaNet、OCL等工作中的人–物交互原语和物体可供性。这里的“可供性”可以理解为一个物体天然支持哪些动作：刀可以切，抽屉可以拉开和关闭，印章可以按压，试管可以拿取但需要轻柔，球可以击打或滚动。通过这种方式，任务不再只是“桌面上有什么就做什么”，而是围绕“人类如何和物体发生交互”来展开。

第三步，是利用Qwen3大模型生成候选任务。论文描述中，Qwen3会在统一prompt下对动作原语进行语义消歧，枚举与动作相关的物体，再合成具体任务描述。随后，大模型会对任务的机器人可执行性进行初筛，最后由五位人类专家进行筛选。

第四步，是把任务变成真实可执行的评测项。研究团队不仅给出任务名称，还会设计交互细节、选择合适物体、建立完成标准，并录制人类完成任务的模板视频。官网也提供任务展示、训练/测试数据入口、物体购买链接和交互式榜单。

这套流程的意义在于，它把机器人评测从“经验驱动”推进到“结构化设计”。以前很多评测像是研究团队自己出题，题目之间缺乏统一标准；GM-100则试图建立一套可持续扩展的方法，让未来GM-X系列可以不断增加任务，而不是停留在一次性数据集。

真实任务不该只有“成败二分”

传统机器人评测最常见的指标是Success Rate，也就是成功率。任务完成了就是1，失败了就是0。这很直观，但对于复杂任务来说不够细。

比如机器人执行“盖章”任务，它成功拿起印章、拔掉盖子，也完成了按压，但最后没有把盖子插回去。按照传统成功率，它可能仍然是失败。但从能力分析角度看，它并不是完全不会做，而是卡在最后一步。再比如“关闭抽屉”，机器人可能已经抓住抽屉并推动了一段距离，只是没有完全闭合，这和一开始就没有找到抽屉显然不是同一种失败。

因此，GM-100提出或采用了Partial Success Rate，也就是部分成功率。PSR衡量的是一个复杂任务中，子任务或子目标完成了多少。论文明确指出，对于包含多个步骤或目标的复杂任务，仅靠SR难以充分反映模型表现，因此多数GM-100任务会定义多个子任务和子目标，用PSR进行更细粒度评估。

这对行业非常重要。因为机器人模型的进步往往不是突然从0到100，而是先学会识别物体，再学会接近，再学会接触，再学会完成最后动作。如果只有成功率，很多中间进步会被掩盖；有了PSR，研究者可以更清楚地知道模型到底差在哪里，是感知不行、动作不稳、双臂协同不好，还是最后的接触控制失败。

实验结果说明了什么？真实机器人评测确实能拉开差距

GM-100不是只提出任务清单，也做了真实机器人数据采集和基线模型测试。论文中提到，GM-100建立了超过13,000条遥操作轨迹，并在两种机器人平台上进行评估；评测指标包括SR、PSR和动作预测误差。

从Xtrainer平台前10个任务的真实世界表现看，几个基线模型之间差距很明显。论文表格中，三个基线在前10个任务上的平均PSR大致从7.0%到53.9%不等，平均SR则从1.6%到24.9%不等。这说明GM-100任务既不是完全不可做，也不是过于简单；它能够让不同策略之间出现明显区分。

更有价值的是，论文还分析了动作预测误差与真实任务成功表现之间的关系。结果显示，在Xtrainer环境中，动作预测误差和物理成功表现之间的关系如下：动作预测误差越大，真实执行成功率通常越低；动作预测越准确，真实执行成功率通常越高。

这给VLA模型和机器人策略训练带来一个直接启发：未来模型不能只追求语言理解能力，也不能只在离线数据上看损失函数的下降（模型在已见过的数据上表现越来越好）。真正有意义的是，模型能否把预测出来的动作稳定转化为真实物理世界中的成功操作。换句话说，具身智能最终要过的不是“文本理解考试”，而是“物理执行考试”。

GM-100对具身智能行业的启发

GM-100最值得关注的地方，不只是它有100个任务，而是它提供了一种新的评测思路。

第一，机器人评测要从“规模崇拜”转向“结构化任务设计”。过去行业很容易关注数据集有多少条轨迹、覆盖多少机器人平台，但如果任务高度重复，模型仍然可能只是在反复学习少数常见动作。GM-100强调长尾任务和细节动作，本质上是在补足机器人能力评测的盲区。

第二，真实机器人评测会越来越重要。仿真环境成本低、速度快，适合大规模训练和初筛，但接触、摩擦、物体变形、视角遮挡、执行延迟等问题，最终都要在真实机器人上暴露。GM-100把任务放到真实平台上做，有助于筛掉那些只在理想环境里好看的方法。

第三，评测榜单要更加开放和社区化。GM-100官网明确表示，由于真实机器人测试成本很高，结果会逐步释放；同时，团队并不声称能建立一个绝对公平的中心化物理测试环境，而是希望通过开放任务定义、数据、测试流程、视频证据和社区上传结果，形成长期透明的评测生态。

第四，GM-100也会倒逼机器人数据采集方式升级。过去采数据可能更关注“多收一点轨迹”，未来则要更关注任务覆盖、动作原语覆盖、物体可供性覆盖，以及每个任务的评分标准是否清晰。对于做机器人数据工厂、VLA模型训练、遥操作平台、灵巧操作算法的团队来说，这都是很现实的方向。

机器人真正的进步，要从细节里看出来

GM-100给人的最大提醒是：具身智能不能只停留在“会说、会看、会抓”的阶段。真正的机器人能力，往往藏在很小的动作细节里。如果说过去的机器人评测更像是在问“模型有没有学会基本动作”，那么GM-100开始追问的是：“模型能不能在真实物理世界里，把复杂、细碎、长尾的动作完成到位？”

这也是GM-100作为“机器人学习奥林匹克”第一步的意义。它更像是一套更真实、更细致、更接近未来通用机器人需求的考题，未来谁能在这样的考题上稳定拿高分，谁才更有资格说自己离真实世界的通用具身智能更近了一步。