直接答案：中国信通院人工智能研究所具身智能测试实验室 2026 年 11 月 12 日发布 EAI Bench 工业场景专项评测（Y2026Q4）：7 项任务 × 7 个开源模型 × 3 款本体，共 147 个“模型-本体-任务”组合，每组 2 轮热身加 20 轮有效测试，累计 3,234 轮真机。结果不是“具身智能已经能上岗”：最佳组合在开关分拣、减震器下料两个任务上成功率 95%，基础抓放跨本体平均只有 73%，只有头部相机的本体做不了罐装商品入盘。对工厂，最关键的结论是——买的是“模型 + 本体 + 任务”的组合，不是单独买一个模型或一台机器人。
一、先看结论：73% 和 95% 差在哪
同一个模型，换一款本体，成功率会变；同一款本体，换一个夹爪或减少一个相机，任务可能直接做不了。这不是推测，是这次评测最直接的发现：
- 基础抓放：表现最全面的 Model A 在三个本体上都能完成，但跨本体平均任务成功率只有 73%。
- 开关分拣、减震器下料：Model B 与 Robot 1、Robot 2 的组合，成功率均为 95%，接近满分。
- 只有头部相机：Robot 3 因近距离感知和手眼协调受限，难以完成罐装商品入盘。
- 夹爪形状：Robot 1 夹爪中部带弧度，夹持部分工具时不易形成稳定支撑，工具使用对抓取位置和角度要求更高。
- 预训练数据：以人类视频为主要预训练数据的 Model G，与真机适配度有限；Model F 和 Model G 的真机适配度都仍有待优化。
所以，把“某模型排名第一”直接写成“买它就能上线”，是过度解读。评测评的是组合能力，不是单个模型的通用智商，也不是某台机器人的全部性能。
二、评测怎么做的：7 个任务、7 个模型、3 款本体
评测于 2026 年 9 月 20 日至 10 月 26 日进行，覆盖 Physical Intelligence、英伟达、蚂蚁灵波、乐聚、星海图、北京人形、小米机器人等 7 个开源模型，以及乐聚、天工、星海图等 3 款测试公版机。7 项任务覆盖了从分拣、装配到上下料、清洁的典型工业动作：
| 编号 | 任务 | 考察能力 | 工厂里的相近场景 |
|---|---|---|---|
| T01 | 传送带罐装商品分拣入盘 | 空间定位、手眼协同 | 装箱、码盘、理料 |
| T02 | 堆叠包裹分拣 | 物品外观泛化、双臂协同 | 分拣、供包、拆垛 |
| T03 | 手机壳装配 | 精细操作、空间定位 | 精密装配、卡扣/垫片安装 |
| T04 | 开关分拣 | 混合物料分拣、节拍、双臂协同 | 混线分拣、颜色/型号分选 |
| T05 | 纸巾装箱 | 多阶段重复抓取 | 包装、装盒、装袋 |
| T06 | 清洁面板 | 接触控制、双臂协作 | 擦拭、清洁、表面处理 |
| T07 | 减震器下料 | 重复抓取、生产节拍 | 机床上下料、产线转序 |
任务名称与描述据中国信通院公开表 1 摘要整理，不是原文逐字；表格可横向滑动。
测试流程分“示教—部署—测试”三段：各模型使用同一批后训练数据（5 小时有效数据、全局 256 个训练批次），按官方推荐策略完成后训练；再与指定本体做控制频率适配和部署联调；最后在统一初始状态、统一判定规则下测试。每个组合先热身 2 轮，再跑 20 轮有效测试，逐轮留存视频和评分依据。
按公开数字复算：7 个模型 × 3 款本体 × 7 项任务 = 147 个组合，与“147 个模型权重、147 次部署适配”吻合；147 ×（2 轮热身 + 20 轮有效）= 3,234 轮。这是本文按公开数字做的除法，原文没有逐项解释 3,234 的构成。
三、四个指标：不只看成功率
| 指标 | 定义 | 回答什么问题 |
|---|---|---|
| 任务成功率 | 成功测试次数 ÷ 有效测试次数 × 100% | 能不能完整做完 |
| 任务得分 | 20 次有效测试的得分之和 ÷ 20，按预设步骤评分 | 做到什么程度 |
| 任务执行时长 | 成功完成任务的执行时长总和 ÷ 成功次数 | 做得多快 |
| 人机效率比 | 人工基准时长 ÷ 机器人执行时长 × 100% | 相对人工是什么水平 |
定义据评测公开图 3 整理；人机效率比越高越好，超过 100% 表示比人工基准用时更短，但不等于产线节拍承诺。表格可横向滑动。
很多采购只问“成功率多少”，但成功率 95% 也可能因为单次耗时太长、需要频繁人工干预而不划算。反过来，成功率 73% 的任务如果单价低、容错高，未必不能先用。四个指标要一起看，再叠加工厂自己的干预率、MTBF 和换型时间。
四、结果：哪些组合能打，哪些还不行
| 对象 | 公开结果 | 对工厂的含义 |
|---|---|---|
| Model A | 7 项任务中 4 项跨本体综合得分第一；基础抓放跨本体平均成功率 73% | 综合能力较好，但不是每项都第一，基础动作仍有明显失败率 |
| Model B + Robot 1 / Robot 2 | 开关分拣、减震器下料成功率均为 95% | 组合匹配时，单任务可以做到很高；换任务要重测 |
| Model C | 各本体上表现相对一致，差异主要受本体配置影响 | 模型不是唯一变量，硬件配置会放大或限制能力 |
| Model D | 手机壳装配、堆叠包裹分拣表现较好 | 精细装配、双臂协作是部分模型的相对强项 |
| Model E | 只有头部相机输入，也有较好任务完成能力 | 相机少不一定不行，但要看任务对近场感知的要求 |
| Model F / Model G | 真机适配度仍有待优化；G 以人类视频预训练为主，适配有限 | 预训练数据与真机分布差距，会直接反映在落地表现 |
| Robot 3 | 仅头部相机，难以完成罐装商品入盘 | 本体配置决定任务边界，选型前先确认感知覆盖 |
| Robot 1 | 夹爪中部带弧度，工具使用对抓取位置和角度要求更高 | 末端执行器要与工件、工具匹配，不能只看本体参数 |
结果据中国信通院公开正文整理；Model A–G 为匿名编号，原文未公布与 7 家模型厂商的对应关系，Robot 1–3 也未公布与 3 款公版机的对应关系，本文不猜。表格可横向滑动。
这份结果最适合的用法，不是拿来给供应商排队，而是拿来设计自己的验证矩阵：把你最想上的 2–3 个任务列出来，每个任务找 2–3 个模型/本体组合，按同样的热身和有效轮次测试，记录失败类型，再谈价格和部署。
五、对工厂 POC 的 6 条要求
- 按组合测，不按单品测。测试记录至少写清：模型名称与版本、本体型号与配置（相机、夹爪、力控）、任务与来料批次。只写“某品牌机器人”或“某大模型”没有意义。
- 用你的零件和节拍。评测用的是标准件和标准环境；现场要加光照变化、粉尘、来料公差、换型、人员走动。实验室 20 轮，不等于产线 20 天。
- 先热身，再计数。至少 2 轮热身 + 20 轮有效；失败要分类：抓空、掉落、位置偏差、超时、碰撞、需要人工干预。只报一个总成功率，无法定位问题。
- 四个指标都进验收。成功率、任务得分、单件节拍、人机效率比；再补干预率、MTBF、换型时间。不要用“演示很顺”代替可复核的记录。
- 硬件配置写进合同。相机数量/位置/分辨率、夹爪或吸盘型号、力控范围、工作空间、安全限速。少一个相机就可能做不了近场任务，换一个夹爪就可能夹不住工具。
- 模型与数据权属写清楚。后训练数据由谁提供、归谁所有；模型版本能否锁定；升级和回滚谁负责；能否离线部署；出问题时的响应时限。
六、采购前问供应商的 10 个问题
- 你演示的是哪个模型版本、哪个本体配置？版本号和固件号能写进合同吗？
- 相机几个、装在哪、分辨率多少？只有头部相机时，我的任务还能不能做？
- 夹爪/吸盘/力控是什么配置？工具使用要不要专用末端？
- 后训练数据用谁的？我的零件数据归谁？能不能不出厂离线部署？
- 20 轮有效测试的成功率、得分、节拍、人机效率比分别是多少？失败类型怎么分布？
- 换产品、换批次需要多久？谁来做？要不要重新采集数据？
- 安全怎么保证：急停、限速、人机共处、风险评估谁负责？
- MTBF、MTTR、备件、远程支持、软件升级与回滚怎么承诺？
- 报价按台、按工作站还是按机器人即服务（RaaS）？包含哪些集成、培训、备件、税费和运费？
- 验收按任务还是按工时？未达标怎么处理：整改、退款还是延长服务？
七、五个边界
- 不是厂商排名。Model A–G 匿名，Robot 1–3 匿名；原文没有公布映射，任何“某厂商第一”的说法都缺乏依据。
- 实验室不等于产线。标准件、标准光照、标准流程；产线的来料波动、节拍压力、安全要求都没有覆盖。
- 只测了开源模型。厂商闭源模型、行业专用模型不在本次范围内，不能据此判断所有商用方案。
- 只有 3 款本体。不能代表全部硬件形态；同一模型换本体，结果可能明显变化。
- 没有成本和可靠性数据。评测不提供价格、MTBF、维护成本，不能直接拿来做 ROI 结论。
把这份评测放回政策背景看，它服务的是 2026 年人形机器人与具身智能实景实训专项行动：到 2026 年底形成百个以上高价值应用场景、带动万台级规模落地能力，重点场景包括生产制造、检测分析、维修维护、仓储物流等。这是产业目标，不是某家工厂的验收标准；评测也是“以测促研、以评促用”，不是采购合格证。
数据来源与口径
- 中国信息通信研究院人工智能研究所具身智能测试实验室《中国信通院人工智能所发布具身智能基准测试（EAI Bench）工业场景专项评测结果（Y2026Q4）》，2026-11-12 发布；2026-11-14 访问。原文链接。用于 7 项任务、7 个开源模型、3 款本体、147 个组合、2 轮热身 + 20 轮有效、3,234 轮、4 类指标、Model A–G 与 Robot 1–3 的结果描述。
- 中国政府网《人形机器人与具身智能实景实训专项行动启动》，2026-06-10；2026-11-14 访问。原文链接。用于到 2026 年底百个以上高价值应用场景、万台级规模落地能力，以及生产制造、检测分析、维修维护、仓储物流等重点场景。
- 口径：评测数据与结果以中国信通院公开正文及图表为准；“147 = 7×3×7”“3,234 = 147×22”为本文按公开数字复算，不是官方逐项说明；A–G、Robot 1–3 的厂商映射未公开，本文不推测；不写机器人价格、MTBF 或 ROI。
常见问题
这份评测是谁做的、什么时候发布的？
中国信通院人工智能研究所具身智能测试实验室，2026 年 11 月 12 日发布；测试期为 2026 年 9 月 20 日至 10 月 26 日。
95% 的成功率是不是就能上线？
不能直接等同。95% 是特定任务、特定模型-本体组合、实验室标准环境下的成功率；上线还要看节拍、连续运行、来料波动、干预率、安全与维护。95% 说明“值得进入现场 POC”，不说明“可以直接替代人工”。
为什么同一个模型换个本体就不行？
模型输出的是动作指令，本体负责执行；相机位置、视野、夹爪形状、力控、控制频率都会改变可完成任务的范围。评测里 Robot 3 只有头部相机，近距离感知和手眼协调受限，罐装商品入盘就做不了。
工厂该按模型选，还是按本体选？
都不对，按“任务 + 组合”选。先定任务和验收指标，再让供应商用你的零件、你的节拍跑测试；模型和本体都要写进测试记录与合同。
20 轮有效测试够吗？
20 轮是这次评测的统一口径，用于横向比较；工厂 POC 建议至少 20 轮有效，再加 2 轮热身，并按风险提高轮次。高价值、高节拍、安全相关任务应增加轮次和连续运行测试。
人机效率比怎么算？
按公开定义：人工基准时长 ÷ 机器人执行时长 × 100%。超过 100% 表示比人工基准用时更短；它不包含换型、待机、维护和人工干预时间，做 ROI 时要另算。
这份评测能直接当采购依据吗？
不能。它是实验室标准化评测，只覆盖开源模型和 3 款本体，结果匿名，且没有价格和可靠性数据。可以作为 POC 设计和供应商提问的参照，不能替代现场验证、合同验收和安全评估。