最近具身智能圈有一则消息很提气总部位于合肥的初创公司第四定律机器人4Axiom Robotics其自研的具身智能模型Axiom-0登上了国际权威具身评测基准RoboCasa365 Benchmark进入公开排行榜的头部行列——多家媒体用登顶来描述这次突破。但真正耐人寻味的不只是一家成立仅三个多月的公司冲到了榜首这件事本身而是它暴露出来的一个深层信号当各大厂还在比拼机器人能完成多少动作时具身智能的竞争正悄悄从能不能做转向会不会做没做过的事。而 RoboCasa365 这张榜单恰恰是把泛化能力摆到台面上、用硬指标去丈量的一场考试。这篇文章我想把 Axiom-0 这次登榜拆开讲清楚RoboCasa365 到底在考什么Axiom-0 用的是什么创新机制它背后的团队走的是怎样一条区别于传统 AI 创业公司的技术路线以及——榜单上的数字到底能不能代表机器人真的会过日子了Part OneRoboCasa365 在考什么——看得少、做得新才是真本事要理解 Axiom-0 登顶的分量得先搞懂 RoboCasa365 这张榜单的出题思路。在很多人的印象里评测机器人就是让它在固定场景做固定动作看成功率。但那样的评测有个致命缺陷背题再好的选手换一个没见过的场景就露馅。具身智能真正要踏入的真实世界是千变万化的——同样的拿杯子动作厨房、客厅、工厂里的条件天差地别同一个任务物体摆放、光照、遮挡稍有变化就需要机器人临场发挥而非照搬套路。所以 RoboCasa365 从一开始就强调自己是大规模、面向通用机器人策略generalist robot policies的多任务评测基准。它的设定很硬核覆盖365 个日常任务、2500 个多样化的厨房环境并要求被评模型在多任务学习的设定下接受考验——不是每个任务配一个专用模型而是要一个模型通吃一大批任务这才是通用策略的含义。更关键的是它的评测结构。首轮榜单取自一个50 任务的多任务基准并划分为三个评测分片split┌─────────────────────────────────────────────────────────────┐ │ RoboCasa365 的泛化考试结构 │ │ │ │ 50-task multi-task benchmark │ │ ├─ Atomic-Seen (18) : 见过的原子操作任务 │ │ ├─ Composite-Seen (16) : 见过的复合长程任务 │ │ └─ Composite-Unseen(16) : ★没见过的复合任务零样本 │ │ │ │ Overall 三个 split 平均成功率 │ │ Human300 预训练数据集 (300 任务 / 2500 厨房) │ └─────────────────────────────────────────────────────────────┘这里最值得一提的是Composite-Unseen这个分片——它代表了那些在预训练阶段从未出现过的复合任务模型要在零样本条件下靠泛化能力完成。这正是整个榜单的压轴题它不是在考你记住了多少而是在考你有没有迁移和举一反三的本事。你可以把 Seen 类任务理解成开卷题把 Unseen 类任务理解成闭卷新题——真正拉开差距的往往是后者。明白了这个设定你就知道为什么说登顶有分量了它说明 Axiom-0 不只是会背题而是在临场做新题这件最难的事上也拿出了过硬的成绩。Part Two名列前茅的 Axiom-0到底拿了什么成绩我们把镜头对准榜单本身。根据 RoboCasa365 官方榜单2026 年 10 月更新在当前50 任务多任务基准的公开排行榜上Axiom-0 以Overall 61.6的成绩跻身最前列——与它同一梯队的是 Awomo 团队的Awomo-0.5I/0.5V64.4 / 62.5、Primotion 的 Paimon-0、以及Meta 的 ProWAM、小米的 Xiaomi-Robotics-1 等头部玩家。值得强调的三点细节第一它在见过的原子任务上做到了顶尖。Axiom-0 的 Atomic-Seen 达到了 86.5%与榜首的 Awomo-0.5I 并列最高。这意味着在那些看过、练过的基础操作上它的执行已经非常可靠。第二它的零样本泛化Composite-Unseen35.8%处于领先梯队。结合官方点评登顶的叙事主要来自它在多任务泛化上的综合表现——尤其在一个没见过的复合新任务从 0 到 1 被机器人做出来这件事上Axiom-0 给行业提供了一个颇具说服力的样本。第三它和许多头部开源模型形成了有趣对照。榜单前列既有开源也有闭源Awomo-0.5I/V 开放源码而 Axiom-0 暂未开源。这背后其实是一场开放共建 vs 闭源冲榜的路线分歧——开源的差一点、却人人可用闭源的分数高、但闭门造车。哪一个更有利于具身智能产业的整体进步目前仍没有定论。把成绩摆到背景里看就很清晰了一家成立才三个多月的公司已经和 Meta、小米这些巨头站在了同一张榜单的同一梯队。这在以烧钱 数据 基建著称的具身赛道里并不多见。Part Three打榜靠创新机制——多任务泛化到底难在哪、怎么破榜单上漂亮的数字背后藏着一个工程上极难啃的骨头多任务环境中的泛化能力。做机器人的人都知道单任务专家容易做多任务通才最难。为什么因为一个模型要同时学会抓取、放置、开合、倒水、插拔……“几十种乃至上百种技能还要求它在这些技能之间不发生相互干扰——学新任务时忘了旧任务就是典型的灾难性遗忘”。这就像让一个人同时成为厨师、修理工、护士任何一个技能的精进都可能冲淡其他技能的记忆。Axiom-0 官方给出的解法方向是通过创新机制提升机器人在多任务环境中的泛化能力。虽然官方没有完全公开技术细节但从其安全成长型智能的整体路线可以合理推断出这背后起码包含几层设计意图跨任务的知识共享让不同任务之间的共同结构比如抓取这个动作在不同对象上的共性被模型复用而不是每个任务从零学起强调成长而非堆量不把泛化押在见过足够多案例上而是让模型学会从经验中修正自身、发现不足从而在没见过的任务上也具备应对能力从真实世界经验出发区别于纯靠仿真数据刷榜更看重真实场景数据与模型能力的融合。当然也要理性看待创新机制这四个字——目前 RoboCasa365 首轮榜单仍以 “首份公开对比” 为定位随着越来越多模型提交Axiom-0 的名次、以及它机制的成色都需要更长的时间与更独立的验证来检验。榜单一时的位置是一回事机制能否被复现、能否落地到真实工厂是另一回事。我们用一个简化的评估 提交流程来示意一个具身策略要在 RoboCasa365 上打榜要过几道关这里以官方提交流程为蓝本抽象成中文示意# robocasa_submit_flow.py# 简化的提交-评测流程示意非官方代码仅帮助理解打榜结构defevaluate_policy(policy,task_splits):给定一个策略,在三个 split 上分别统计成功率,并加权为 Overallresults{}forsplit,tasksintask_splits.items():successes0fortaskintasks:# 每个任务开展 N 次 rollout,统计平均成功率successespolicy.run(task,trials10)results[split]successes/len(tasks)# Overall 三个 split 的算术平均overallsum(results.values())/len(results)returnresults,overall task_splits{Atomic-Seen:[fatomic_{i}foriinrange(18)],# 18 个见过的原子任务Composite-Seen:[fcomposite_{i}foriinrange(16)],# 16 个见过的复合任务Composite-Unseen:[funseen_{i}foriinrange(16)],# 16 个没见过的复合任务(零样本)}my_policySomeEmbodiedPolicy(innovative_mechanismTrue)splits,overallevaluate_policy(my_policy,task_splits)print(fOverall{overall:.1f})# 输出示例(象征性,非 Axiom-0 真实值):# splits: Atomic-Seen0.865, Composite-Seen0.594, Composite-Unseen0.358这段示意想传达的是三种 split 各有各的难度这个结构——尤其 Composite-Unseen 那批零样本复合任务才是真正区分刷分选手和通用策略的试金石。Part Four这支团队凭什么——从机器人世界杯到华为大模型专家的复合能力Axiom-0 能快速打榜归根到底离不开人。而第四定律这支团队的履历恰好踩中了具身智能最稀缺的复合型标签。创始人兼 CEO卢栋才的履历几乎是为从机器人到大模型这条路线量身定制的早年他担任中科大可佳机器人团队负责人带队拿下RoboCupHome 家庭服务机器人组冠军在视觉感知、人机交互、自主导航与任务决策上积累了十余年真机经验此后他参与佳佳人形机器人研发并任创始组长探索人机交互与智能感知再后来他在华为工作近 9 年担任华为终端大模型及小艺大脑首席专家也是搜索大模型负责人在超大规模模型预训练、Agent 系统建设与大模型安全演进上积累了深厚功力。请注意这横跨的两个时代十余年的真机器人经验加上近十年的大模型经验。恰是这种背景让第四定律机器人选择了一条区别于传统 AI 创业公司的路线——从机器人的真实世界经验出发融合大模型能力而不是像很多具身新贵那样拿着一个语言模型的壳子就往机器人身上套。这也回应了文章开头的路线之争具身智能到底是语言模型的延伸还是机器人智能的进化第四定律的回答明显偏向后者的融合——它提出的是面向物理世界的安全成长型智能让机器人不仅能把任务做完更能在真实环境中持续学习、发现不足、修正自身、逐步提升能力。我把它想成一条成长型智能的闭环┌────────────────────────────────────────────────────────────┐ │ 安全成长型智能 的演进闭环 (第四定律路线) │ │ │ │ 完成任务 ──► 发现不足 ──► 修正自身 ──► 能力提升 │ │ │ └──────────────► 在真实环境中持续迭代 │ │ ▼ │ │ 面向物理世界: 不只会做,更要会成长、会自省、保安全 │ └────────────────────────────────────────────────────────────┘卢栋才自己的话点破了这家公司的核心关切“如何让智能系统不仅具备能力更具备理解环境、适应变化和持续提升的能力。” 这句话既是 Axiom-0 技术路线的注脚也是它区别于纯刷分选手的底层逻辑。Part Five从榜单到工厂——数字好看离会干活还有多远评测得高分从来不是终点。对具身智能来说真正残酷的考验在走出榜单、走进工厂之后。这也正是 Axiom-0 登榜之外更值得关注的一环它的投资方与落地场景。第四定律机器人成立后不久便获得了智能制造企业祥鑫科技002965的千万元级种子投资。双方将围绕汽车制造、智能装配等真实工业场景开展合作推动具身智能机器人走出仿真环境、进入工业生产现场。为什么这个产业锚点重要因为工业场景恰恰是多任务泛化的高压考场汽车零部件制造里多品种、小批量、工况动态变化的特点对传统自动化产线是灾难对需要临场应变的具身智能却是价值所在。祥鑫科技的真实产线既能给机器人提供高质量的真实工业数据反哺模型迭代又能用规模化应用检验技术成熟度——这种产业资本出场景、创业团队出算法的组合正是把榜单分数转化为商业价值的关键。但要泼一盆冷水评测基准上的优异成绩并不等同于工业现场的实际表现。RoboCasa365 再像真实厨房也终究是仿真环境而真实工厂里的震动、油污、光照突变、设备故障、安全边界远比仿真复杂。榜单衡量的是策略的泛化天花板,而工厂考核的是系统的工程下限。一个能在 2500 个虚拟厨房里举一反三的模型,能不能在真实产线上稳定运行几万个小时,才是它商业化的真正分水岭。Part Six一朵浪花背后的坐标——中国具身智能的评估时代如果把 Axiom-0 登榜这朵浪花,放到中国具身智能产业的大背景里,会发现它恰好踩中了一个值得记录的时点:一场围绕怎么评价具身智能的标准之争,正在悄然兴起。过去两三年,国内具身赛道最热闹的叙事是融资“出货量”“参数规模”。中国电子学会的数据显示,上半年国内人形机器人出货量超 4 万台,约占全球 97%——这个数字固然亮眼,但它衡量的是卖出了多少台,而不是机器人多会干活。真正缺的,恰恰是像 RoboCasa365 这样,能对不同模型、不同路线的实际任务完成与泛化能力进行横向对比的公开基准。这也是为什么 Axiom-0 的登榜被反复强调公开排行榜“多任务泛化”——它代表的意义,不只是某一家公司的胜利,而是行业开始用能不能做好没做过的事来给具身模型排队了。当评价标准从PPT 参数转向可复现的实测,那些真有技术积累、真能落地到多任务场景的团队,会更容易被看见;而那些只会堆参数、刷演示的团队,则会被基准这道照妖镜一层层剥开。顺着这个逻辑,我更愿意把 Axiom-0 看作中国具身智能进入评估时代的一个注脚:它提醒所有玩家——比谁融得多更硬核的,是谁在闭卷新题上答得对。下一个阶段,谁能在一张严格的公开基准上长期占据头部,谁才真正握有具身智能的定价权。Part Seven给从业者的三条判断作为一篇技术解读最后给关注具身智能的开发者与决策者三条冷静的判断。第一别被登顶这个词冲昏头要看榜单的结构与名次的时效性。RoboCasa365 是滚动更新的公开对比排名随时可能因新模型提交而变动Overall是多个 split 的加权真正见真章的是Composite-Unseen零样本复合任务这类分片。评价任何具身模型都该问一句它在没见过的任务上到底能打到多少而不仅仅是总分领先。第二复合型团队 真实场景数据正在成为具身创业的核心竞争力。Axiom-0 的案例说明纯语言模型背景或纯机器人背景都有短板真正吃香的是能把真机经验与大模型能力融合起来的团队——再加上工业场景的落地验证。对从业者而言与其跟风追某个框架不如想清楚自己的团队在哪一半缺能力。第三泛化能力是具身智能商业化绕不开的命门。如果机器人只能在固定场景做固定事那跟传统机械臂没有本质区别价值有限只有当它能一机多用、临场应变、持续成长才能真正替代人工、打开工业与家庭场景的天花板。Axiom-0 的登榜与其说是某个模型的胜利不如说是以多任务泛化为评价核心这一方向的又一次确认。从可佳机器人世界杯冠军到佳佳人形机器人再到华为大模型首席专家最后汇流成第四定律的 Axiom-0——卢栋才把十几年的真机经验与大模型时代的积累压在了让机器人会成长这条赛道上。榜单给了它一个月的好名次而真正的考试才刚刚开始下一次当它走出 2500 个虚拟厨房、站上真实产线的那一刻泛化的含金量才会被最终盖章。