VLA SOTA哪家强 盘点20个VLA benchmarks原创 Ai2 Ai2 human five2026年4月2日 09:20新加坡1人https://allenai.github.io/vla-evaluation-harness/leaderboard/最近AI2 发布了VLA Leaderboard汇总了2685 篇论文、17 个基准、509 模型配置、657 项已发表结果覆盖当前主流 VLA 仿真任务为视觉 - 语言 - 动作模型提供了统一、可对比、可复现的评测参考。VLA 模型以视觉输入、语言指令为条件输出机器人连续动作是具身智能的核心技术方向。长期以来VLA 领域评测分散、协议不统一、复现困难不同模型、不同基准之间难以横向比较也难以判断模型的真实泛化能力。AI2 推出的这份榜单通过标准化评测协议、统一数据口径有效改善了这一状况。接下来笔者就按照榜单收录范围为大家系统盘点这些 VLA 基准。本文选取 vla-eval 框架支持的部分基准进行梳理排序依据经典程度、任务时序长度、仿真 / 真机场景划分所列序号仅用于标识不具备排名含义1.RLBenchhttps://sites.google.com/view/rlbenchRLBench是基于V‑REP/PyRep搭建的机器人视觉操纵大规模标准化基准面向RL、模仿学习、小样本、多任务学习与sim‑to‑real研究。它提供100个手工设计、难度分层的连续控制任务统一搭载Franka Panda 7DoF机械臂观测包含双相机视觉流肩载双目手眼单目的RGB、Depth、分割掩码以及关节角度/速度/力矩等本体感知信息。特点基于路点运动规划生成无限专家演示支持模仿与小样本学习任务按Task‑Variation‑Episode三层结构组织支持泛化性评测提供多维度动作空间与稀疏任务完成奖励接口对齐标准RL训练pipeline内置任务创建与验证工具可快速扩展并社区共建官方定义v1.0小样本挑战赛是机器人领域首个大规模few‑shot操纵基准。2.LIBEROhttps://libero-project.github.io/main.htmlLIBERO是面向决策终身学习LLDM的机器人操作仿真基准核心解决陈述性程序性知识联合迁移的评估难题。它基于Robosuite与Ego4D构建可扩展程序化任务生成pipeline提供4套共130个语言条件操作任务分别解耦空间、物体、目标知识迁移或混合知识迁移。基准配套人类远程操作示范数据支持终身模仿学习与样本高效训练。实验采用RESNET-RNN、RESNET-T、VIT-T三种VLA策略结构对比ER、EWC、PACKNET三类终身学习算法以FWT、NBT、AUC为核心指标。关键发现时序Transformer优于RNN序列微调正向迁移强于专用终身算法ViT适配多物体视觉、ResNet适配程序性知识朴素监督预训练会损害LLDM下游性能。LIBERO为LLDM的结构设计、算法、任务顺序、预训练研究提供标准化评估平台。3. Open-X Embodimenthttps://robotics-transformer-x.github.io/该基准统一采用 RLDS 标准化数据格式整合 60 个开源机器人数据集覆盖22 种机械臂 / 移动机器人具身包含超 100 万条真实机器人轨迹、311 种场景、527 项操纵技能物体与任务多样性远超现有单一机器人数据集支持跨平台知识迁移与泛化能力验证。OXE 核心定位为X-embodiment 训练评测基准设计三类核心评估协议一是小规模数据集域内性能验证跨具身正向迁移收益二是大规模数据集域内效果检验模型容量对异构数据的拟合能力三是域外泛化与涌现技能测试评估未见物体、环境及跨机器人迁移的新能力。基于 OXE研究团队提出 RT-X 模型系列RT-1-X 为轻量化机器人专用 TransformerRT-2-X 为 55B 级大容量 VLA 模型均将观测与动作空间粗对齐至 7 自由度末端执行器控制实现跨机器人动作统一输出。实验表明RT-1-X 在小数据场景平均成功率提升 50%RT-2-X 在跨机器人涌现技能上性能达原模型 3 倍证明大规模多具身联合训练可显著提升通用化能力。OXE-AugEhttps://oxe-auge.github.io/OXE-AugE超 440 万条轨迹的跨本体机器人数据集OXE-AugE在Open X-Embodiment的基础上做出了全面且针对性的改进它首先解决了原始OXE数据集中机器人类型分布严重失衡的关键问题通过对主流数据集进行多机器人具身增强让不同机型的数据分布更加均衡避免策略过拟合到少数几种机器人平台。OXE-AugE在数据规模上将总轨迹数量扩充至440万条以上而原始Open X-Embodiment的真实机器人轨迹约为140万条OXE-AugE在不依赖额外真实数据采集的情况下将数据集规模提升至原始OXE的三倍以上同时显著增强了机器人具身的多样性与分布均衡性。同时OXE-AugE提出了完整的AugE-Toolkit增强pipeline结合仿真渲染与SAM2分割实现精准的机器人掩码融合并通过自动基座位置调优保证所有增强轨迹在运动学上合法有效相比OXE仅做数据格式统一的处理方式在数据质量、几何一致性和物理有效性上都实现了显著提升。与OXE仅聚合真实机器人轨迹不同OXE-AugE采用保持任务与场景不变、仅替换机器人具身的增强方式引导策略学习具身无关的核心特征有效弱化了机器人外观、颜色等无关信息对模型的影响。在实际性能上基于OXE-AugE微调的OpenVLA和π₀等通用机器人策略在未见机器人与夹爪组合的零样本迁移任务中获得24%到45%的成功率提升同时在光照变化、遮挡等视觉扰动下表现出更强的鲁棒性弥补了OXE在跨具身泛化与分布偏移场景下的不足。此外OXE-AugE具备更强的可扩展性新增机器人只需注册对应的URDF模型即可完成增强摆脱了OXE依赖数据集聚合、难以快速扩展新平台的限制为跨具身机器人策略学习提供了更高效、更通用的数据支撑。4.CALVINhttp://calvin.cs.uni-freiburg.de/CALVIN是面向长程语言条件机器人操作策略学习的开源仿真基准基于PyBullet构建聚焦VLA模型的闭环连续控制与泛化能力评估。基准含4个结构一致、纹理与布局不同的室内环境搭载7-DOF Franka机械臂支持固定/夹持器RGB-D、本体感知、视觉触觉等多模态机载观测提供笛卡尔绝对/相对、关节空间三类连续动作空间以30Hz闭环执行。数据集包含24小时遥操作无结构玩耍数据、2万条自然语言指令覆盖34项基础操作可组合为5步长程指令链做LH-MTLC评估。评估设三级难度单环境、多环境、零样本跨环境三环境训练、未见环境测试指标含单任务MTLC与长程LH-MTLC测试指令均为未见表述检验零样本泛化。以MCIL为基线单环境MTLC最高约53.9%长程5步链仅0.08%凸显长程规划、语言接地与跨域泛化的挑战性。5.MIKASA-Robohttps://sites.google.com/view/memorybenchrobots/MIKASA是ICLR 2026提出的、面向强化学习RL智能体长时记忆能力的统一评测基准核心解决RL记忆评估碎片化、机器人操作无专用记忆基准的问题包含MIKASA-Base与MIKASA-Robo两部分形成从通用诊断到机器人实操的完整评估体系。该基准提出四大记忆任务分类客体记忆、空间记忆、序贯记忆、记忆容量实现对智能体记忆能力的系统化、无偏评测。MIKASA-Base基于Gymnasium框架整合主流开源记忆任务提供向量诊断环境与图像环境双层结构隔离记忆与感知干扰支持算法快速验证与公平对比。MIKASA-Robo是全球首个面向桌面机器人操作的高记忆专用基准基于ManiSkill3构建含12类共32个原子化任务覆盖遮挡追踪、动态拦截、角度旋转、颜色/形状序列记忆等典型机器人场景支持state/RGBjoints等多观测模式与稠密/稀疏双奖励设置精准剥离记忆需求与物理控制难度。基准提供全任务专家轨迹数据集适配在线RLPPO/LSTM/SAC/TDMPC2、离线RLDT/RATE/CQL/BC/DP及VLA模型Octo/OpenVLA/π₀/SpatialVLA评测。实验证实无记忆架构在高复杂度记忆任务上完全失效LSTM等传统记忆模块随难度提升性能骤降当前VLA模型缺乏长时记忆能力。6. RoboHiManhttps://chenyt31.github.io/robo-himan.github.io/RoboHiMan是面向长程机器人操作、聚焦扰动下组合泛化的分层评测体系核心解决现有基准无法定位规划/执行瓶颈、缺乏扰动组合任务的问题。体系包含HiMan-Bench评测基准与三级分层评测范式。HiMan-Bench基于RLBench与PyRep构建覆盖114个原子任务、144个组合任务引入物体外观、尺寸、光照、相机位姿等12类真实扰动将任务划分为原子(A)、扰动原子(AP)、组合(C)、扰动组合(CP)四类可精准拆解技能掌握、组合能力与扰动鲁棒性。配套L1–L4渐进式训练数据集从纯原子演示逐步增加扰动、组合样本支持数据缩放分析。评测范式设Vanilla、Decoupled、Coupled三种模式Vanilla为无规划器端到端基线Decoupled分开评估规则/VLM规划器与低层策略Coupled测试完整分层系统端到端性能能明确区分失败来自规划错误、执行缺陷或误差累积。实验表明无规划VLA模型无法完成技能组合增加数据仅有限提升鲁棒性分层架构在扰动组合任务上仍存在显著性能缺口模型对外观类扰动最敏感且难以泛化到未见组合。该基准为长程操作组合泛化提供标准化评测与可解释分析能力。7. RMBenchhttps://rmbench.github.io/RMBench是面向记忆依赖型机器人操作的标准化仿真基准核心解决现有策略缺乏记忆能力评估体系、架构与记忆性能关联不明确的问题。它基于RoboTwin 2.0与SAPIEN引擎搭建同时支持NVIDIA Isaac Lab - Arena具备高可复现性与规模化数据生成能力。该基准提出任务记忆复杂度TMC度量将任务按最小需保留的历史观测数划分为M(0)、M(1)、M(n)实现记忆需求的量化分级。RMBench共包含9项双臂操作任务分为5项M(1)短时记忆任务与4项M(n)长时探索任务覆盖物体定位、顺序执行、试错学习等典型记忆依赖场景。配套提出Mem-0模块化记忆策略采用双系统架构规划模块通过关键记忆窗口完成长周期子任务推理执行模块融合锚点记忆与滑动记忆保障精细操作子任务结束分类器实现闭环控制。实验显示传统VLA与模仿学习策略因马尔可夫假设在记忆任务上表现极差Mem-0在M(1)与M(n)任务上分别提升38.4%与21.2%成功率。消融验证锚点、滑动、关键记忆均为核心组件分类器精度是性能瓶颈。该基准为记忆型机器人策略提供统一评估平台为架构设计提供可复现的实证依据。8. longVILBenchhttps://longvil-agent.github.io/LongVIL是面向长时序视觉模仿学习的智能体框架核心通过双反思模块解决VLM在长程任务中的时空推理不足与错误传播问题。框架包含规划生成、规划反思、代码生成、代码反思四个核心模块先基于手部速度极值提取并补全关键帧生成初始动作规划再由规划反思模块完成段级时序校验与帧级空间关系校验修正规划偏差随后将合规规划映射为机器人原子动作代码最后由代码反思模块校验并修正代码与规划的语义对齐形成闭环自修正流程。LongVILBench为长时序视觉模仿学习专属评测基准包含150项任务、300条人类演示视频动作序列长度覆盖1–18步按步数分为三级难度涵盖积木操作、桌面清理、蔬菜分类三类操作任务内置6种空间关系、14种交互物体提供标准干净与复杂多变两种视觉采集环境配套标注结构化动作规划与可执行机器人代码。采用精确匹配准确率、最终状态准确率、逐步匹配分数三项指标评估该框架在各难度任务上均显著优于现有视频转代码基线双反思模块可稳定提升时序与空间建模精度长程任务增益更突出在实体UR5e机器人上部署任务成功率达85%可直接从仿真迁移至真实环境。9.RoboCasa365https://robocasa.ai/RoboCasa365通用机器人的家用大规模仿真训练与基准测试RoboCasa365是基于RoboCasa、面向家庭移动操作的大规模仿真基准用于通用机器人训练与系统性评测发表于ICLR 2026。该基准包含365项厨房任务65原子300复合、2500个真实厨房场景、3200物体与456个可交互家电提供超2000小时交互数据612小时人类演示1615小时MimicGen合成数据轨迹超50万条。支持多任务学习、机器人基础模型训练、终身学习三大范式可可控复现评估任务多样性、数据集规模、环境变化对策略泛化的影响。实验验证其能显著提升VLA模型数据效率与真实迁移性能是当前通用家庭机器人最完备的仿真基准之一。10.ManiSkill3https://www.maniskill.ai/ManiSkill3是面向可泛化具身操作的开源GPU并行机器人仿真基准与框架基于SAPIEN与PhysX实现全链路GPU仿真渲染是当前速度与显存效率最优的机器人操作仿真平台。其核心优势为显存占用仅为同类平台的1/2–1/3峰值FPS超30000显著加速视觉RL训练原生支持异构GPU仿真可并行运行不同场景、物体与自由度配置内置12大类任务域、20机器人覆盖桌面/移动/灵巧/人形/房间级操作等场景。平台提供VR遥操作、大规模示范数据与完整RL/IL基线支持视觉端到端sim2real与real2sim数字孪生可快速评估Octo、RT-X等VLA模型。11. VLABenchhttps://vlabench.github.io/VLABench是面向语言条件机器人操作LCM、专为VLA/VLM设计的大规模仿真基准基于MuJoCo/dm-control构建聚焦长程推理与多维度认知能力评估填补现有基准对基础模型适配不足的空白。基准包含100个任务类别60基础40复合覆盖拾取放置、开关、工具使用等10类操作技能资产库含163类、2164个3D物体支持网格/纹理/位姿/光照/场景全域随机化保证分布多样性与泛化测试效度。核心创新体现在四大维度常识与世界知识迁移需调用预训练知识完成任务隐含意图自然指令非模板化需理解用户真实需求长程多步推理复合任务平均步长超500远超同类基准一体化评估同时评测动作策略与大模型认知能力。评估覆盖六大能力网格纹理理解、空间关系、富语义理解、物理规律、知识迁移、逻辑推理采用进度得分PS兼顾目标正确性与任务完成度适配长程任务评测。提供自动化数据采集pipeline基于技能库先验信息RRT/贝塞尔曲线生成高质量rollout支持VLA微调与零样本工作流评估。实验显示当前SOTA VLAOpenVLA/Octo/RDT-1B与VLM在跨类别泛化、长程规划、常识落地等维度均存在显著短板为VLA架构、预训练方案与Scaling Laws研究提供标准化评测平台。12.SimplerEnvhttps://simpler-env.github.io/SIMPLER是面向通用机器人操作策略的real-to-sim仿真评估基准专为Google Robot、WidowX两类主流真机硬件设计对齐RT系列、BridgeData V2标准任务集支持拾取、移物、开关抽屉、堆叠、放置等刚体操作任务。该基准基于SAPIEN物理引擎实现兼容Isaac Sim采用Gym标准接口可一键调用并支持RT-1/X、Octo等主流模型GPU加速下评估速度比真机快7–15倍。其核心技术通过离线系统辨识优化PD参数实现控制对齐结合绿幕背景合成与真实物体纹理投影完成视觉对齐有效弥合仿真与现实差距。评估提供Visual Matching精准视觉匹配、Variant Aggregation多变体聚合两种模式采用皮尔逊相关系数与MMRV作为核心指标在各类任务上实现0.85–0.97的高相关性策略相对排名与真机评估高度一致还可准确预测模型对光照、背景、纹理、相机位姿等分布偏移的鲁棒性。SIMPLER无需构建高保真数字孪生以低成本、可复现、可并行的方式替代真机评估为通用机器人操作策略的迭代、选型与细粒度调试提供标准化评估方案。13. ResponsibleRobotBenchhttps://sites.google.com/view/responsible-robotbenchResponsibleRobotBench是首个面向多模态大模型驱动的负责任机器人操作的专用基准聚焦高风险场景下机器人的安全推理、危险规避与可靠执行能力填补了具身智能安全评估的空白。基准核心包含23个多阶段操作任务覆盖电气、火灾/化学、人体相关三类工业与家用典型危险按场景复杂度、规划难度、指令类型普通/攻击/防御分层设计同时提供有无危险的对照任务全面评估风险感知与安全规划能力。框架采用模块化设计支持高层技能、6D位姿、代码生成三类动作表征兼容LLM、VLM、LMM等多类模型统一集成视觉感知、上下文学习、提示工程、危险检测与物理仿真执行可对接策略学习pipeline。评估体系创新提出多维指标任务成功率、安全率、安全成功率以及包含人类干预代价的执行成本 并提供危险检测、轨迹规划、格式错误等细粒度错误分析。实验验证显示GPT-4o在安全与任务性能上最优模型在空间规划、长视野任务、危险检测上存在明显瓶颈人在回路可显著提升安全性。该基准为安全对齐、具身推理与可靠机器人系统研发提供标准化、可复现的评估平台。14. Kinetixhttps://kinetix-env.github.io/Kinetix及其衍生的 12 任务动态基准是一个非常特殊的“压力测试”环境。它由 Oxford 的 FLAIR 实验室Matthews 等人提出并由 Sergey Levine 团队等在 Real-Time Chunking (RTC) 研究中进一步发扬光大。驱动机制与物理特性 该基准摒弃了传统机器人仿真中常见的“位置保持”或“准静态”控制模式全面采用Force Control机制。在这种模式下智能体直接输出力或力矩必须时刻与重力和惯性对抗。这种设计能够真实模拟硬件在推理延迟发生时因失去主动力控而导致的重力下坠或失去平衡现象从而精准暴露Execution Discontinuity对操作稳定性的影响。十二个高动态任务 基准精选了 12 个对实时反馈要求极高的任务涵盖投掷、捕捉、精准抓取、动态平衡及行走等场景。这些任务要求策略具备毫秒级的闭环修正能力例如在“点燃火柴”任务中微小的时空对齐偏差都会导致任务彻底失败。噪声模拟与鲁棒性 为模拟真实物理世界的非理想驱动Kinetix 在动作输出中引入了受控的高斯噪声。这一设定强化了闭环控制的必要性防止模型通过纯开环的轨迹记忆来完成任务。它迫使 VLA 模型必须实时处理视觉反馈有效量化了感知与执行在非对齐状态下的性能退化。延迟量化评测体系 Kinetix 配套了一套严格的延迟注入协议用于量化不同推理延迟如 100ms 至 300ms 以上对策略连续性的影响。通过对比同步推理与异步执行下的成功率曲线该基准已成为评估实时Action Chunking算法如 RTC、Masked Action Chunking在应对大模型推理延迟时表现的核心标杆。15.RoboTwin 2.0https://robotwin-platform.github.io/RoboTwin 2.0是面向双臂机器人操作的仿真式数据生成框架与标准化基准核心解决仿真数据多样性不足、sim-to-real迁移差、跨本体泛化弱三大问题。基准以RoboTwin-OD物体库为基础包含147个类别、731个带操作语义标注的物体支撑场景构建与任务设计。框架采用MLLM仿真闭环自动生成专家级执行代码结合VLM观测实现错误定位与迭代修复显著提升任务代码生成成功率与效率。系统实施五维领域随机化场景杂乱、光照、背景纹理、桌面高度、语言指令大幅增强数据分布广度与策略鲁棒性。同时设计本体感知抓取适配机制为不同自由度双臂机器人生成专属抓取候选有效弥补低自由度机械臂的运动学限制。该基准覆盖5类机器人本体、50项双臂协同操作任务提供超10万条预采集专家轨迹支持VLA模型训练与泛化评估。实验验证在仅10条真实演示结合合成数据的小样本设置下真实环境成功率提升24.4%零样本纯合成数据也实现20%以上增益。16.VLA-Arenahttps://vla-arena.github.io/#homeVLA-Arena是面向VLA模型的开源仿真评测基准核心目标是系统性量化模型能力边界与失效模式弥补现有基准缺乏分级难度、安全评估与外推测试的短板。该基准采用三维正交难度设计任务结构、语言指令、视觉观测实现细粒度、可解释的能力评测。任务结构维度包含170个任务、11个任务集归为安全、干扰项、外推、长时序四大维度每类设L0分布内、L1近分布、L2远分布三级梯度语言与视觉分别设W0–W4、V0–V4五级扰动支持鲁棒性解耦分析。基准基于扩展的CBDDL语言定义任务支持动态障碍、视觉扰动与安全约束建模配套端到端训练pipeline、数据处理工具与VLA-Arena-S/M/L标准化数据集。在主流VLA模型上的评测表明当前模型严重依赖记忆、泛化能力弱对语言扰动鲁棒、对视觉扰动脆弱存在显著安全-性能权衡长时序技能组合与语义外推能力基本缺失。17. ROBOTARENA ∞https://robotarenainf.github.io/RobotArena ∞是面向VLA模型的规模化、可复现机器人评估基准核心通过全自动实转虚Real-to-Sim转换VLM自动评分众包人类偏好解决现实机器人测试成本高、难复现、不可扩展的痛点。框架先从单目RGB机器人演示视频自动重建仿真环境用可微渲染完成机器人-相机位姿校准结合VLM分割、2D-to-3D生成与深度估计实现物体3D重建与物理属性拟合再通过系统辨识对齐机器人动力学并支持背景、颜色、物体位姿的可控扰动用于测试泛化与鲁棒性。评估采用双路径一是VLM对轨迹末端阶段做任务进度自动打分二是众包 pairwise 偏好对比用Bradley-Terry模型生成全局策略排名结果与人类判断高度一致。该基准覆盖BridgeSim、DROIDSim、RH20TSim三类环境完成超8500次偏好评估验证当前VLA跨数据集泛化弱、易受外观/布局扰动、模型排名跨条件稳定是首个支持大规模、自动化、高保真仿真评估的开放机器人基准。18.ManipArenahttps://maniparena.com/ManipArena是面向具身智能的标准化真实世界机器人操纵评估基准核心解决仿真与现实脱节、评估碎片化、泛化能力难以量化的行业痛点。 该基准以推理导向为核心覆盖20项高难度操纵任务分为执行推理、语义推理、移动操纵三类基于10812条专家轨迹构建总时长约188小时支持长时序、双手协调与语义理解能力评估。基准采用绿幕封闭可控环境实现变量隔离、恒定光照与跨场景可复现配合三级系统化多样性设计外观、空间、语义与分层OOD测试可精准归因泛化失效来源。同时提供56/62维高维传感数据包含关节电流、速度等力控相关信号并通过3D扫描构建Real2Sim同步仿真环境支持虚实迁移分析。评估采用服务端推理一模型通吃架构降低硬件门槛保证公平对比使用子任务分段计分提供细粒度诊断信号。在π0.5、DreamZero等主流模型上的测试表明该基准远未饱和可有效区分VLA与世界模型的能力边界为通用机器人智能提供可扩展、可复现的真实世界评估体系。19. ManipulationNethttps://manipulation-net.org/ManipulationNet是面向真实世界机器人操作的全球分布式基准测试基础设施核心解决现有仿真、物体集、竞赛三类基准无法同时兼顾真实感、可复现性与广泛可及性的“不可能三角”问题采用中心化管理分布式执行的混合架构实现规模化可信评测。该基准将任务划分为两大赛道物理技能赛道聚焦底层交互能力首期包含孔轴插接、线缆管理、杂乱抓取分别测试高精度装配、柔性体操作、复杂场景拾取等物理技能具身推理赛道侧重高层认知能力包含语言条件桌面操作与积木摆放评估VLM/VLA模型的多模态理解、空间推理与指令执行能力。技术上依托mnet-server与mnet-client完成全流程管控标准化物体套件全球分发保证任务一致实时注册、一次性校验码、视频哈希校验确保提交未篡改去中心化执行、中心化审核兼顾参与便捷性与结果可信。 其以诊断性基础任务为单元支持技能组合与难度递进可量化对比不同系统在真实物理约束下的操作性能为通用机器人操作提供可累积、可对比的长期评估体系。20.RoboChallengehttps://robochallenge.ai/RoboChallenge是面向VLA模型的大规模实体机器人在线评估基准体系核心由远程机器人服务平台与Table30任务集构成用于真实环境下公平、可复现、可扩展地测评具身控制策略。平台采用用户端推理远程API调用架构不接收模型权重与容器仅开放带时间戳的观测与异步动作队列支持Action Chunking等细粒度控制兼容NAT环境解决环境适配与灵活性问题。硬件采用UR5、Franka、Aloha、ARX-5四类常用机械臂配RealSense RGBD相机满足7×24稳定服务。评估采用视觉任务复现协议以参考画面对齐固定初始状态降低测试人员偏差同时区分稳定性与公平性当前使用基准协议支持对比协议扩展。Table30包含30项桌面操作任务覆盖精准3D定位、遮挡、时序依赖、双臂操作、软体交互等关键挑战采用成功率分段进度得分双指标可精细衡量模型能力。该基准在5种主流VLA模型上验证表现最优同时揭示时序、软体、精定位仍是当前模型短板为实体机器人具身学习提供标准化测评方案。