RoboColiseum是什么？
RoboColiseum是一套面向具身智能模型的常态化仿真评测平台。它把VLA模型、世界/动作模型和基于大模型的Agent接入统一环境，使用一致任务和评分协议，比较模型能否听懂指令、理解空间、完成复杂操作并适应现实扰动。
四个核心评测维度
- 指令跟随：颜色、形状、大小、逻辑条件和自然语言变体。
- 空间推理：相对位置、对齐、排序、堆叠和深度理解。
- 通用操作：开门、倾倒、抓放、上货、双臂协调和长程任务。
- 扰动适应：光照、背景、相机、图像噪声、指令改写、初始姿态和抓手变化。
Agent2Act统一控制框架
技术报告使用Agent2Act把不同多模态大模型接入相同机器人环境。框架提供观察输入、动作生成与校验、执行反馈、深度信息、抓手描述和历史记录，便于比较模型本身与控制闭环的共同影响。
怎样提交评测？
- 注册账号并填写模型或团队资料。
- 按使用说明在本地部署标准推理服务。
- 选择指令、空间、操作或鲁棒性评测维度。
- 使用平台生成的接入参数启动评测。
- 查看排行榜、分项分数、失败步骤与回放结果。
平台称注册到提交最快约5分钟，自动评测最快约30分钟完成；实际耗时取决于队列、模型响应和所选任务。模型代码与核心权重可留在本地推理端，但接口安全、日志和凭据仍需自行管理。
结果应该怎样解读？
总分只适合在相同配置、任务、随机种子和推理设置下比较。技术报告明确指出，GPT-6 Astra、GPT-6.1 Sol与Claude Opus 5.5使用high推理强度，Gemini 4 Argon因批量评测速度问题使用medium，因此相关比较同时受到模型和推理设置影响。
使用边界
仿真分数不能直接等同于真机安全。平台称仿真与现实表现差异可控制在10%以内，但具体模型、任务、本体、传感器和控制器仍需独立真机复核。高风险部署必须保留急停、动作约束、人工审批和硬件安全测试。