具身智能的三层评测幻觉：从 25 个 Episode 到 1228 篇论文 | 技术

从 p=0.13 到 LIBERO-Plus：机器人领域正在和同一种评测幻觉搏斗。

最近做了一个小型的实验数据分析平台，把五种主流机器人操作策略学习方法放在同一组仿真任务里横向对比：BC、ACT、Diffusion Policy、VLA-inspired、DPPO。初衷是”客观对比一下这些方法”，做完才发现真正的收获不是哪个方法赢，而是——很多看起来明显的均值差异，在统计上根本站不住脚。

后来我把 2025 年下半年以来的领域文献补了一遍，发现这不是我一个小平台的问题：实验室里 95 分的模型，出了基准就崩；顶会论文里的 SOTA，换个相机角度就失效。从我的 25 个 episode 到 1228 篇论文的 meta 分析，机器人领域在反复被同一类东西欺骗——指标幻觉。它有三层：实验里的均值幻觉，基准上的基准幻觉，落地后的部署幻觉。这篇就按这三层讲。

总论：这篇文章在回答三个问题

接下来的材料很杂：有自己的仿真实验、统计功效分析、VLA 与 LIBERO-Plus 的领域证据，还有马拉松、四足与军工机器人的落地数字。体裁完全不同，回答的是同一组问题。三个：

问题一：我们真的知道哪个模型更好吗？

这是在问统计结论是否站得住脚。两个模型的评估均值差了十几个百分点，到底是真实的差距，还是评估噪声的一次抽样？回答它需要 p 值、效应量、置信区间和功效分析——这正是第一层「均值幻觉」的内容，也是我自己那 25 个 episode 的实验直接撞上的东西。

问题二：即使模型在基准上赢了，它真的学会那个能力了吗？

这是在问实验室分数能不能外推。一个 VLA 在 LIBERO 上拿了 95 分，它是学会了操作，还是记住了这块场地？回答它需要扰动测试、跨任务泛化和 scaling 的实证检验——这是第二层「基准幻觉」的内容，主角从五种经典基线换成了 2026 年的 VLA 体系，但病的根子与第一层相同。

问题三：即使能力是真的，它能活在现实世界吗？

这是在问部署指标的成色。半马纪录、四足速度、载重上限，每一个数字都真实，但每一个都附带”净计时""平整跑道""持续行走”的小字条件——这是第三层「部署幻觉」的内容，验证的考场从基准换成了物理世界。

所以这不是一篇统计学文章，也不是一篇 VLA 综述，更不是一份机器人产业报告。它讨论的是一件更基础的事：机器人的能力，如何被验证。 三层幻觉是同一场考试的三道关卡：统计显著、能力泛化、真实部署。下面从我自己那 25 个 episode 的实验讲起——它是这场考试的起点，也是后两层的对照组。

这三层幻觉看起来是三种病，其实是同一个病灶的三种临床表现。病灶是什么，留到最后说。

最后提前交代一句证据等级，因为它决定这篇文章该怎么读：三层分别建立在三种证据上——第一层是我自己的仿真实验（逐 episode 原始数据可重算），第二层是公开文献与基准测试的综述，第三层是产业公开资料与赛事纪录。三者的证据强度不同，文中分层陈述，请分开采信。标题里”25 个 episode”与”1228 篇论文”的对照是叙事对照——一个小实验撞上的问题和整个领域撞上的问题是同构的，而不是一个实验覆盖了另一个领域。

实验设置

任务：2D 点质量操作器仿真环境，6 类连续控制任务，难度递增：

编号	任务	主要难点
T1	目标到达	快速收敛、减少超调
T2	物体推动	间接控制、接触力建模
T3	多目标导航	目标顺序切换、路径规划
T4	障碍物规避	路径选择、碰撞惩罚
T5	精密放置	控制精度要求极高
T6	动态追踪	目标位置动态变化

方法：五种策略学习路线，各按各自配置训练（BC/ACT/VLA-inspired 训练 200 轮，Diffusion Policy 250 轮，DPPO 80 轮）：

BC（行为克隆）：监督学习基线；
ACT（动作分块 Transformer）：一次预测多步动作；
Diffusion Policy：条件去噪扩散生成动作；
VLA-inspired：引入语言条件的条件式 BC——注意这只是”加了语言条件”的玩具近似，不是在互联网级数据上预训练的真 VLA；
DPPO：扩散策略做初始策略、再接 PPO 在线强化学习。这是我的朴素组合，与 2024 年发表的正式同名方法同名而不同细节。

指标与口径：每个方法每个任务跑 25 个评估 episode（回报为负成本，越接近 0 越好），报告均值 ± 标准差、95% 置信区间、成功率；方法间比较用 Welch t 检验（不假设方差相等）加 Cohen’s d 效应量——p 值只回答”差异是不是巧合”，d 才回答”差异有多大”，两个都得看。

第一层：均值幻觉

看起来赢了的，赢不了

最典型的例子是 ACT 在 T4 障碍物规避上：均值比 BC 高约 13.9%（-103.4 对 -119.99），一眼看上去是明确的胜场。拆开看是三层：

均值优势主要由尾部灾难撑起来——BC 的 25 个回合里有 -254 和 -188 的灾难性离群值（卡死或撞障后一路扣分），ACT 最差的一个回合也只有 -152；看中位数，差距从 16.6 缩到 15.7，典型回合半斤八两。方差倒是真降了——ACT 标准差 25.2 对 BC 的 35.8，低了约 30%，“动作分块压住抖动”在方差上成立。但均值差在 n=25 下检验不过——Cohen’s d = 0.54（中等效应），Welch t 检验 p = 0.13（等方差口径 0.064，也卡在边界外）；功效分析：要让 d=0.54 的效应以 80% 概率被检出，每组需要约 54 个评估 episode，是我实际跑量的两倍。

所以 T4 这场比赛的正确读法是三句话：ACT 更稳（方差小）、可能更好（d 中等偏正）、证据还不够（p > 0.05）。而论文表格通常只给第一句。

看起来显著的，换个任务就翻车

反过来也有陷阱。Diffusion Policy 在 T2 物体推动上是全场均值最高的（-39.86 对 BC 的 -57.78），这次差异是真的：d = 0.75，Welch p = 0.023，妥妥的显著优胜——如果你只看 T2，会得出”Diffusion Policy 是这批方法里最强的一个”。

但同一个方法在 T3 多目标导航上是全场显著最差的（-71.52 对 BC 的 -51.32，d = -0.80，p = 0.013）。DPPO 更极端：六项任务里五项成功率为零，而 T3 上它比 BC 还显著更差（d = -0.78）。同一个学习范式，相邻任务上一个显著最优、一个显著最差——任务特性一换，符号直接翻转。这才是”没有全能选手”的实证版本，比雷达图上”各有所长”的观感硬得多。

训练曲线也帮忙撒了点谎

还有一层更隐蔽的：训练 loss 和评估表现是两回事。T4 上 ACT 的训练 loss 收敛到 0.10，BC 是 0.09——训练目标上两者几乎一样好，但评估期一个均值高一个方差小。DPPO 更能说明问题：它的训练 loss 从第 1 轮到第 80 轮恒定在 0.51–0.53，纹丝不动，六个任务成功率 0–4%——在线 RL 的那个 PPO 头从来没有真正开始学习，而如果只看”训练是否跑完”，它会显得一切正常。

顺带交代两组消融，曲线也挺说明问题。噪声鲁棒性（在观测上加 0–20% 噪声）不是单调下降的：BC 在零噪声下 -60.3，加 5% 噪声反而”变好”到 -46.7，加到 20% 才回落到 -58.0。样本效率（20/50/100/150 个训练 episode）同样基本平坦且非单调，ACT 在 20 episode 时反而是全场最好。这些”反常识”曲线的共同解释是：25 个 episode 的评估噪声，和这些消融要测的效应在同一量级上——消融设计本身也逃不过第一层幻觉。相对确定的只有 DPPO：任何噪声强度、任何训练预算下，它的回报恒定在 -50.11，那不是鲁棒，是躺着。

唯一稳定的亮点是 BC 在 T5 精密放置上反超了脚本专家基线（-28.85 对 -29.23，好 1.3%），T3 上也反超了 13.4%——这个”专家”是脚本策略，不强，但至少说明任务没难到所有学习方法都失效。

不画综合排名图

分析平台最初设计里有一张”综合评分图”，把各指标归一化后加权成总分。后来去掉了——归一化方式的选取本身就会影响排名，换种方法名次就变。改成各维度分开画（柱状、折线、雷达、热力、箱线），让分析者自己综合判断——一张”综合第一”的奖状，掩盖的恰好是 T2 与 T3 之间的符号翻转。

为什么机器人领域特别容易出现指标幻觉

我的 25 个 episode 好像是个笑话，但看完领域层面的证据你会发现，大家的问题在结构上是一样的。原因大概有五个，层层加固：

**一、数据贵到没法重复。**语言模型可以几十万次随机重启做实验，机器人每条真机演示都要人手把手采几分钟到几十分钟，评估一个策略意味着再跑几十次真实 rollout。样本量小不是社区不努力，是物理世界的边际成本摆在那——我 25 个 episode 的窘境，是整个领域的标配。

**二、实机评估天然高方差。**同一策略同一任务，电机温度、桌面摩擦、初始摆放差几厘米，结果就能差出一个效应量。我 T4 里 BC 那两个 -254 的灾难回合，在真机上对应的是”今天螺丝松了”。方差是环境的物理属性，不以论文的意志为转移。

**三、基准复现成本高，社区只能单点下注。**视觉语言模型有几十个评测榜互相对照，机器人操作长期主要靠 LIBERO、CALVIN 这么少数几个基准——复现一套真机评测太贵，大家只能都在同一块场地上比。单点下注的代价是：过拟合基准 = 过拟合整个领域的评价体系。

**四、扰动控制不住，泛化就成了盲区。**训练和评测在同一个布局、同一台相机、同一套指令模板里做，扰动维度（视角、光照、物体位置、指令改写）根本没进评测回路——不是没想到，是每一个维度都要真金白银的实验成本。

**五、激励机制偏爱 SOTA，不爱稳健性。**论文要的是”比 baseline 高 X 个点”的那张表，方差和置信区间挤在附录里，功效分析几乎没人做。“高 0.5 个点”和”d=0.54 但功效不足”在审稿人眼里是完全不同的两条新闻，前者能中稿。

这五条不是借口，是结构。所以当 2025–2026 年这个领域开始系统性地暴露问题时，我不觉得意外——那只是第一层幻觉（均值）放大到第二层（基准）的必然结果。

第二层：基准幻觉

先把坐标交代清楚：我对比的这五种方法是 2023–2024 年代的经典基线，到 2026 年它们大多被吸收进 VLA（Vision-Language-Action）大模型里当零件——BC 是动作头的起点，Diffusion 和 ACT 的核心思想（建模多模态动作分布、动作分块）都进了 VLA 的架构。所以第二层的故事主角换成了 VLA，但病的根子是同一个。

三年主线：从 BC 到 VLA 到底发生了什么

回看 2023–2026，具身智能的策略学习走的是四级台阶，每一级解决一个前一级解决不了的结构性问题：

BC 解决”能不能学会”——模仿学习的基本可行性：监督学习直接把观测映射到动作，证明端到端学策略这条路走得通。但动作是逐步独立回归出来的，既压不住高频抖动，也表达不了”同一情境下几种做法都合法”。
ACT 解决”动作连不连贯”——长时序问题：动作分块让模型一次预测未来多步，用时间上的相关性换稳定性，抖动被结构性压掉。我实验里 ACT 方差比 BC 低约 30%，就是这个机制的直接证据。
Diffusion Policy 解决”做法不止一种”——动作分布建模：回归只能输出均值，而均值是几个合法动作的平均，谁也不像；扩散模型把动作当作多峰分布来生成，第一次让策略系统性地表达多模态。
VLA 解决”任务怎么统一”——语义问题：RT-2 把互联网预训练的视觉语言知识搬进动作空间，让同一个模型听懂自然语言指令、跨任务工作；ACT 与 Diffusion 的核心思想则作为动作头被吸收进这套框架（OpenVLA 走自回归离散化，π0 走 flow matching 加动作分块）。

这条线的形状，就是具身智能版的 RNN→Transformer→GPT：从”能学会”到”学得稳”到”学得全”到”听得懂人话”。而且和大模型历史一样，没有一代真正淘汰上一代——每一代都把上一代收编为模块。看清这条线才能看清：第二层的病不是某个模型的病，而是整条演化路线在”验证”这个环节欠下的债。

为什么堆数据在机器人上不奏效

这层有个很少被追问到底的问题：语言模型靠堆数据 scaling 成功了，机器人为什么不行？我的答案一句话：互联网文本天然标准化，机器人数据天然异构。

文本世界有现成的统一接口：一切都是 token 序列，任意两个网页的语义可以直接互换，抓取一个网页的成本约等于零。所以 LLM 的数据飞轮转得起来——数据越多、模型越好、用户越多、数据更多，每一环的边际成本都接近零。机器人没有这种接口：每台本体的构型不同、相机装在不一样的位置、动作空间的定义各不相同，A 实验室的十小时演示对 B 实验室的本体来说首先是个单位换算问题。Open X-Embodiment 把几十个机构的数据混在一起，恰恰把这个问题暴露给了所有人看——异构数据朴素混合不是数据变多，是分布变杂，2026 年 2 月的负迁移结论不过是把这个事实量化出来。

所以”数据规模”在机器人语境里是个比 LLM 语境贵得多的变量：每多一个数量级的数据，都要先付出异构对齐的成本。往深里说，这不是数据问题，是接口问题——机器人领域还缺一个相当于”token”的东西。谁先造出这个接口（统一的观测与动作空间、可回流的真实数据闭环），谁才真正推开 scaling 的门。这也是我把未来三年的竞争点押在数据引擎上的原因。

**数据侧先塌的。**VLA 的叙事本来是”数据越多越强”：Open X-Embodiment 把几十个机构、不同本体的数据聚在一起，就是奔着规模去的。但 2026 年 2 月 BeingBeyond 的 scaling 研究给出实证结论：把异构机器人数据集朴素地混在一起训练，经常产生负迁移——数据加多了性能反而掉。到 6 月，Label Studio 对 1228 篇 VLA 论文做 meta 分析：实验室里 ~95% 的成功率出了实验室条件就崩，数据问题而非模型架构才是真正的瓶颈。这正是第一层幻觉的领域版：训练数据规模的均值在涨，能力的中位数没跟上。

**评测侧接着塌。**2025 年 10 月的 LIBERO-Plus 在 LIBERO 基础上构造了 10,030 个扰动任务，覆盖相机视角、机器人初始状态、物体布局、语言指令等 7 个扰动维度——原版 LIBERO 上表现很好的 VLA 模型一遇扰动就大幅崩盘，作者称之为对”基准通胀”的检讨。今年 8 月还有 arXiv 论文把话说得更直白：VLA 式的 scaling 至今没有关掉跨任务泛化的差距。这和我 T4 那个 d=0.54 却检验不过的故事是同一件事的工业级版本：分数高不等于能力真，评测设计本身就是结论的一部分。

2026 年的新工作，本质上都在跟这一层搏斗，而不是在刷更高的分：

工作	时间	在对抗哪层幻觉
π*0.6 + RECAP（Physical Intelligence）	2025-11	基准幻觉：从自身经验与人类纠正中学习，“后训练”取代刷榜
GR00T N1.7（NVIDIA）	2026-04	部署幻觉：3B 开源推理 VLA，相对末端位姿动作空间，为真机部署设计
X-VLA（ICLR 2026）	2026-01 接收	跨本体幻觉：冻结主干，每个本体只拟合一个 soft prompt
RD-VLA	2026-02	均值幻觉的推理时版本：循环动作头把”想多深”变成推理时旋钮

RD-VLA 值得多说一句：它把测试时计算引入 VLA，性能随迭代深度 log-linear 上涨（1 次迭代成功率 8.4%，接近随机；8 次到 92.6%）——策略的”自适应”从训练侧挪到了推理侧。我之前给 VLA 归纳的三个问题——粒度、自适应、泛化——第一个被更大的骨干网络吸收，第二个在这里换了答案，第三个还在较劲。8 月还出现了把世界模型和自验证强化学习接起来的工作，验证信号开始从”人给”变成”模型自查”。

世界模型：被低估的另一条主线

谈 2026 年的 VLA，不能把世界模型当配角。分工可以这样切：VLA 解决”看懂”——感知场景、理解指令；世界模型解决”想明白”——预测动作的后果，在脑子里试错。RD-VLA 用测试时循环逼近”想明白”，是以推理换规划；世界模型路线则把”想明白”直接建进模型：DreamGen（2025）用视频世界模型生成反事实训练数据，解锁下游操作的泛化；Ctrl-World（ICLR 2026）做动作条件预测，同一个模型既能当数据生成器也能当策略评估器——评测是世界模型的天然副产品，比刷榜式评测便宜得多，正好打在第二层幻觉的成本根因上。

我的权重判断是：如果未来回头看 2026，世界模型的历史地位可能不低于 RD-VLA 这类测试时计算工作——因为部署幻觉的本质是”意料之外”，而世界模型是对抗”意料之外”的机制。当然，它逃不过本文的主问题：模型自己想象出来的世界对不对，仍然需要被验证。世界模型没有终结三层幻觉，但它可能是把验证成本打下来的那条路。

顶刊那一侧，Science Robotics 第 10 卷第 105 期发了 Levine 组的人在环强化学习操作（eads5033，2025）：人随时接管纠正、RL 把纠正泛化成技能，在真机器人上把精确操作做到了手术级的演示。至少从这一篇的取向看，顶刊要的是”方法在真实机器人上做到极致”，而不是基准榜上再多 0.5 个点。

第三层：部署幻觉

出了实验室，指标换了一套——速度、里程、载重、平衡。换套指标就能摆脱幻觉了吗？不能，第三层的数字更漂亮，也更需要带着条件读。

寻路：足式机器人的”最优路线”不是 A* 那类纯图搜索问题——代价函数里得加入动力学可行性，这条缝跳不跳得过取决于当时的步态状态。主流做法是全局规划管拓扑、学习型策略直接输出落脚点和全身动作。ETH 的 ANYmal Parkour（Science Robotics 9 卷 88 期，2024）是代表作：仿真里端到端训练，实机跳隙、钻栏、爬障碍。2026 年第二届北京亦庄人形机器人半程马拉松把这套东西推到规模化验证：冠军”闪电”净用时 50 分 26 秒跑完 21.0975 公里，超过人类半马世界纪录的 57 分 20 秒——而一年前首届冠军天工 Ultra 还是 2 小时 40 分 42 秒。

速度与平衡的纪录背后是同一场换代：从 ZMP 平衡点、模型预测控制，转向”仿真里大规模强化学习 + 域随机化 + sim-to-real”。平衡不再是”质心投影落在支撑多边形内”的约束求解，而是策略在千万次摔倒里学出来的即时反应。

平台	项目	成绩	条件
黑豹 2.0（浙大杭州科创中心，2025-01）	四足速度	10 m/s（峰值 10.4）	38 kg 机体，破 WildCat 纪录
宇树 B2	四足速度	约 6 m/s	工业级重载平台
天工 Ultra	人形百米	21.50 s	全自主，2025-08 运动会
星动 L7	人形原地跳高	95.6 cm	2025-08 运动会
“闪电”（第二届人形半马）	21.0975 km	50 分 26 秒	自主导航，净计时，2026-04

载重是最典型的第三层数字：宇树 B2 官方持续行走负载超过 40 千克、峰值约 60 千克，波士顿动力 Spot 的官方载荷是 14 千克——差三倍，但满载的 B2 跑不出 6 米/秒，冲刺状态下的负载也远小于持续行走负载。载重上限和速度、步态、续航绑在一个三角里，单独读任何一个角都是幻觉。

军工级的公开参数把这层意思推到极端。2024 年 11 月珠海航展的”机器狼群”（中国兵器装备集团）公开了系统口径：作战半径约 2 公里、续航约 3 小时、自组网最大 30 节点，侦察型配多激光雷达与环视相机——单体的重量、速度、载重一个都没给。Ghost Robotics 的 Vision 60 反过来，规格书公开到”无基电池 14 公斤、含基电池 7 公斤”这种程度，在 12 个以上的美国空军基地累计巡逻超百万小时；乌克兰战场上的 Milrem THeMIS 额定载荷 750 公斤，实战主力是运输、伤员后送和排雷清障——媒体的说法是”一台能在炮击下活下来的叉车”。公布的都是参数表，不公布的才是能力：自主等级和交战规则的公开表述，永远停在”人在环”和”动态自主协同”这类定性词上。

赛事在做的就是第三层的 LIBERO-Plus：世界人形机器人运动会（2025 年 8 月，北京）把百米、跳高、足球、迎宾拆成标准考题，RoboMaster 机甲对抗把装甲板识别（灯条提取、PnP 位姿解算、弹道补偿、卡尔曼预测）压进强对抗强光照的实时环境，DARPA 地下挑战赛把多机器人 SLAM 和寻路塞进通信受限的废墟。物理世界的考场，扰动不设上限。

部署层的通用规律

这些案例放在一起，有三条共性：

其一，可复现的部署成绩全部来自同一个训练范式。 ANYmal 跳障、黑豹冲刺、半马冠军，背后是同一套”仿真里大规模强化学习 + 域随机化 + sim-to-real”——没有一项纪录来自真机上的手工调参。真机的角色是最后验收，不是训练场。这条规律反过来也成立：还做不到仿真训练的任务（复杂接触操作、开放环境服务），就还没有可信的部署纪录。

其二，每一项纪录都以牺牲其他维度为代价。 载重、速度、续航绑在同一个三角里；半马纪录是净计时、平整跑道、专门步态的产物；巡逻百万小时的 Vision 60 换来的是低速与轻载。部署指标永远是多目标折中，不存在单维度的”最强”——这和第一层”没有全能选手”是同一件事在系统层面的重演。

其三，被验证的永远是”特定条件下的可靠性”，而不是能力本身。 百万小时巡逻验证的是巡逻这一个任务，50 分 26 秒验证的是半马这一条路线。部署层的幻觉结构因此格外稳定：不是数字假，是数字的适用域远比宣传口径窄。

结语

这三层幻觉，一层比一层贵，也一层比一层难发现。第一层我在 25 个 episode 里撞上了：T4 的 13.9% 领先，d=0.54，p=0.13——均值会骗人，方差和功效能戳穿它。第二层领域替我撞了：LIBERO-Plus 的 10,030 个扰动任务和 1228 篇论文的 meta 分析证明，基准上的 95 分可以被 7 个维度的扰动清零。第三层还处在”纪录最辉煌”的阶段：半马纪录一年缩水 110 分钟，四足跑到 10 米/秒——每一个数字都真实，每一个数字都带着”净计时""平整跑道""持续行走”的小字条件。

1228 篇论文的 meta 分析和我 25 个 episode 的 t 检验，问的是同一个问题——“这个提升是真的吗”。机器人领域为这个问题付出的学费比大多数领域都高，因为它的每一层验证都比上一个贵一个数量级。我能给的最好建议，也是我自己踩过坑之后才学会的：报均值的时候把标准差、置信区间和效应量一起报出来，报基准分的时候把扰动测试一起做，报部署成绩的时候把小字条件一起念。幻觉不会消失，但三层都有人盯着的时候，它至少骗不了太久。

往深里说一句，这三层幻觉共享同一个根因：物理世界的数据获取和验证成本，比互联网世界高几个数量级。大模型可以用几十万次随机重启摊薄评估噪声，机器人每多采一条演示、每多跑一组扰动、每多守一小时真实部署，都要付出真金白银的时间和硬件成本——于是每一层验证的稀缺，都直接变成一层幻觉的温床：

幻觉	表象	本质
均值幻觉	均值差十几个百分点，检验却不过	评估数据太少
基准幻觉	基准 95 分被 7 个维度的扰动清零	泛化验证太贵
部署幻觉	纪录数字个个带着小字条件	真实验证更贵

顺着这个根因回看：机器人领域过去三年最大的变化，不是模型越来越强，而是社区开始意识到——证明它真的变强，比让它变强更难。 ACT、Diffusion Policy、VLA、π* 一代代换下去，训练侧的进步一直有目共睹；而 LIBERO-Plus、1228 篇论文的 meta 分析、半马与运动会的规模化实测，做的是同一件更难的事：把”变强了”从一张表格，变成一套可被质疑、可被复现的证据。这篇文章的三层结构，不过是在一个小平台上把这个判断重演了一遍。

第四层：验证幻觉

前三层按场景排：实验里、基准上、部署后。叠在一起看，会看到一个更不舒服的事实：这三层不是并列的三种病，而是同一个病灶的三种临床表现。机器人领域最大的幻觉，不是均值幻觉、基准幻觉或部署幻觉中的任何一种，而是社区普遍默认自己有能力验证机器人的能力——实际上，很多时候根本没有。

LLM 时代的工作流是：发现有问题→再测一万次→问题定位了。机器人时代的工作流是：发现有问题→再测一万次→老板：预算呢？机器人呢？工位呢？工程师呢？——流程到此结束。我跑不满功效分析要求的 54 个 episode、LIBERO-Plus 替全社区测了 7 个扰动维度而多数实验室测不起、真实工况守不起一年——本质都是同一件事：验证资源不足。三层幻觉按规模重新对号入座：均值幻觉是 episode 级的验证资源不足，基准幻觉是扰动维度的验证资源不足，部署幻觉是真实工况的验证资源不足。

更残酷的是这个病灶的增长方式：能力每涨一截，需要排除的”假象解释”就多一批——任务×物体×布局×光照×本体的组合空间指数膨胀，而验证资源连线性增长都做不到。这构成一个悖论：进步越快，越难证明自己进步了。三年前报一个均值差就能发论文，现在要过扰动、过跨本体、过真实工况三关，每一关比上一关贵一个数量级——验证成本的增长追不上能力 claims 的增长，这就是三层幻觉会一层接一层暴露的必然性所在。

所以这篇文章真正想说的，不是”机器人有三种指标幻觉”，而是：机器人领域正在变成一个越来越难以自证的领域——它不缺进步，缺的是证明进步的验证基础设施。

我的判断：2026 年的具身智能走到了哪一步

基于上面三层证据，我把自己的判断明确写下，欢迎被时间打脸：

先回答一个全文一直没正面回答的问题：机器人到底变强了吗？ 我的裁决是：变强了，而且这一点证据充分——2026 年的具身智能已经证明了规模化预训练能够提升操作能力，但尚未证明自己找到了 GPT-4 那样可持续的 scaling 路径。压缩成一句话：机器人正在经历大模型的 2020 年，而不是 2023 年。

判断 A：机器人还没有进入 GPT-3→GPT-4 那种爆发区间。 爆发区间的标志是 scaling 曲线光滑成立——加数据、加算力，能力跨数量级提升。机器人侧至今没有这个证据：异构数据混合负迁移、LIBERO-Plus 扰动崩盘、VLA scaling 没关掉泛化差距。用第一层的统计语言说：“数据加十倍、能力涨一截”这个命题，从未在机器人领域被干净地证明过——功效不足的那种”证明”不算。我们处在爆发前夜的第几个晚上，不知道。

判断 B：数据问题已经超过模型问题。 2026 年的信号已经很明显：X-VLA 冻结主干只训 soft prompt、RD-VLA 不换骨干只换推理头、π*0.6 把重心挪到后训练——架构侧的边际创新在枯竭，所有人都在数据与验证侧找机会。1228 篇论文的 meta 分析把这层窗户纸捅破了：瓶颈不是模型不够聪明，是数据不够干净、验证不够狠。

判断 C：未来三年最大的竞争点是数据引擎，不是模型结构。 我说的数据引擎是闭环：真机数据回流、仿真合成、自动标注与筛选、扰动评测一体化。谁能造出”采得起、洗得净、验得明”的数据工厂，谁就握住了这个领域的”互联网”——就像 2018 年后的 LLM 竞争，胜负手从 Transformer 变体转向了数据配方。

判断 D：LLM 成功复制了互联网数据飞轮，机器人还没有。 数据飞轮的意思是：模型变好→部署变多→真实数据回流变多→模型更好。互联网文本让这个飞轮零成本转动；机器人每一步都在烧钱，而且烧掉的钱大多不回流成数据。三层幻觉共同的产业根源就在这：验证贵、数据贵、回流断，飞轮转不起来，每一层就只好用便宜的指标冒充贵的验证。

四句话其实是一句话：这个领域的下一个 GPT-3 时刻，大概率不来自某个新架构，而来自某个把数据飞轮转动起来的系统。

不足

这套平台也留了很多尾巴：仿真环境还是 2D 简化版，和真实机器人差距大；每组 25 个 episode，统计不确定性偏高；没接前后端系统，全程在 Jupyter Notebook 里跑。

还有一条局限要交代：这五种方法都是经典基线，没有测真 VLA——那需要互联网级预训练权重和真实机器人本体，超出这个平台的能力范围。所以”第二层""第三层”两节是文献与公开资料的综述，不是我的实验结论，两者的证据等级不同。

数据与统计口径：文中全部实验统计量由实验原始数据（逐 episode 回报，每组 n=25）重算得出；效应量为 Cohen’s d，检验为 Welch t（显著性边界处同时给出等方差 t 的口径）；功效分析按每组样本量 n ≈ 2(z₀.₉₇₅+z₀.₈₀)²/d² 估算。

参考文献（均已逐条核对原始发布页，2026-09-29）：

π*0.6: a VLA That Learns From Experience（Physical Intelligence，2025-11；RECAP = RL with Experience and Corrections via Advantage-conditioned Policies）
GR00T N1.6（NVIDIA Research，2025-12-15）；GR00T N1.7（2026-04-17，3B 推理 VLA，相对 EEF 动作空间）
X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model（arXiv
.10274，ICLR 2026 Poster）
RD-VLA: Implicit Test-Time Compute Scaling of Vision-Language-Action Models via Latent Iterative Reasoning（arXiv
.07845）
LIBERO-Plus: In-depth Robustness Analysis of VLA Models（arXiv
.13626，10,030 个扰动任务、7 个扰动维度）
Rethinking Visual-Language-Action Model Scaling（BeingBeyond，2026-02，异构数据朴素混合的负迁移）
What 1,228 VLA Papers Say About the Robot Data Problem（Label Studio，2026-06-22，meta 分析）
Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines（arXiv
.23001）
Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning. Science Robotics 10(105): eads5033（2025，DOI: 10.1126/scirobotics.eads5033）
历史锚点：Diffusion Policy（2023）、ACT（2023）、RT-2（2023）、Open X-Embodiment（2023）、OpenVLA（2024）
ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots. Science Robotics 9(88): eadi7566（2024-03，ETH Zürich）
黑豹 2.0 四足机器人（浙江大学杭州国际科创中心，2025-01，10 m/s）；宇树 B2 规格（持续负载 >40 kg）；Boston Dynamics Spot 官方规格（载荷 14 kg）
首届人形机器人半程马拉松（2025-04，天工 Ultra 2:40
）；第二届（2026-04，“闪电” 50
，超人类半马世界纪录 57
）
世界人形机器人运动会（2025-08，北京：百米 21.50 秒、原地跳高 95.6 厘米等）；RoboMaster 装甲板识别与能量机关技术（各战队开源方案）
军工级公开参数：央视军事/联合早报”机器狼群”报道（2024-11，珠海航展）；Ghost Robotics Vision 60 官网规格书；Milrem THeMIS 官方目录；SWORD SPUR 发布（2021-10）
DreamGen: Unlocking Generalization in Robot Learning through Video World Models（arXiv
.12705，2025）
Ctrl-World: A Controllable Generative World Model for Robot Manipulation（ICLR 2026；动作条件预测，同一模型可作策略评估器）