北大MXI-SimWorld登顶RoboColiseum：仿真预演让机器人先彩排再动手

具身智能的新标尺：从“看懂”到“做对”

11月11日中午，RoboColiseum 更新了最新一期周榜。这个具身智能领域的权威评测平台给出的结果有点出人意料——总榜第一不是哪家科技巨头的通用大模型，而是北京大学数学科学学院杨超教授领衔、壹零壹壹（1011.AI）公司旗下 MXI 团队开发的物理 AI 框架 MXI-SimWorld v0 Preview。

0.9656，这是它的综合得分。细看各分项，没有一处拖后腿：考察认知的“空间理解”和检验动手的“通用操作”两个子榜都排第一，“指令跟随”和“扰动适应”位列第二，四个维度全部进入前二。

RoboColiseum 在圈内含金量不低。Hugging Face、NVIDIA、清华大学等近20家机构联合发起，规则定得很硬：拒绝纸面刷题。域随机化机制加上严格的训练测试集隔离，为的就是尽量压住过拟合。更关键的一点是，它的评测结果与真实机器人表现的相关性接近 90%，同一模型在仿真环境和真机两端的成绩差异小于 10%。换句话说，在这里拿高分，放到现实世界里大概率也能干活。

这次登顶，也照出了当下具身智能领域的一块心病：大模型写代码、做逻辑推理都很流畅，甚至能听懂“把笔放进笔筒”这种指令，可一旦让它指挥机器人干活，为什么还是容易出错？

说白了，通用大模型是从海量文本和图像里学会了世界“长什么样”，至于“做出动作之后世界会变成什么样”，它没学过。

物理世界里没有撤销键。机械臂从哪个角度靠近、物体被碰之后往哪边滑、什么时候松手才不会掉，这些细微的物理反馈只要出错，环境状态就被不可逆地改掉了。GPT-6 Astra、Claude Opus 5.5 等头部通用模型此前也参加过评测，成绩已经接近头部专业具身模型，但碰上这种需要精确物理预判的任务，还是显得力不从心。

MXI-SimWorld 的路子很直接：动手之前，先彩排。

Simulation as Policy：把仿真变成决策的一部分

过去，仿真环境大多用来生成训练数据，让模型在虚拟世界里攒够经验再上线。MXI 团队换了个提法：Simulation as Policy，也就是以仿真支撑策略决策。

具体到执行层面，机器人接到任务后，系统不会直接输出动作。它先在仿真环境里快速预演多种可能方案，挑出成功率最高的那个，再交给真机去做。

视频演示里的桌面整理任务是个例子。机器人要把桌上的黑笔放进笔筒。这一步看着简单，变数却不少：笔从哪儿抓？机械臂走哪条路径才不会碰倒旁边的水杯？直接执行的话，一旦判断失误，东西可能就被打翻了。

SimWorld 的处理流程是这样的：

先通过头部和腕部相机拿到观测数据，认出桌面上的物体，再结合深度信息估计它们的三维位置、朝向和尺度。随后系统检索相似的仿真资产，调整尺寸和外形，快速搭出一个可交互的仿真场景。

接下来是关键一步。系统从同一个桌面状态出发，在多个并行仿真环境里尝试不同的抓取姿态和运动路径。有的方案会撞上障碍，有的可能抓不稳，这些失败轨迹被逐步淘汰，成功的则留下来。

最后，SimWorld 把筛出的最佳轨迹带回原始任务场景，指挥机械臂执行。也就是说，一次真实动作执行之前，系统已经在仿真里预演过多种可能性。

仿真因此不再只是训练场，而成了决策回路的一部分。模型由此得到一个可以反复试错、无限重来的平行世界——在那里摔跟头没有成本，攒下的经验却是真的。

三步走：重建、校准与并行预演

要让“仿真预演”真正靠谱，三个问题绕不开：眼前的画面怎么快速搭成仿真环境？虚拟物体的物理反馈怎么贴近真实？有限时间内又怎么高效预演多个方案？

SimWorld 把整个过程拆成重建、校准和预演三个环节。

第一步是重建，把眼前的场景“搬”进仿真。

SimWorld 的核心组件是可交互世界仿真器。它要的不是一张看起来像的图片，而是有几何结构、空间布局和物理属性的交互场景。系统识别出与任务相关的物体后，依托 MXI 团队自研的“谐物”仿真引擎，按“相似资产检索—未见资产生成—实例级编辑”的流程完成重建。

每个重建出的物体都有两套“身体”：一套是管外观的几何网格，另一套是管接触计算的碰撞体。尺寸、位姿、摩擦系数等参数都能精细调整。一张普通的视觉画面，就这样变成一个可以被物理引擎推演的数字孪生场景。

第二步是校准，让仿真不只“长得像”，还要“动得像”。

场景搭起来之后，物理参数要是不准，仿真结果就没什么参考意义。杯子在仿真里可能滑出老远，现实中却停得稳稳的。

针对这一点，SimWorld 用上了上下文学习（In-Context Learning）。训练样本里物体被操作的过程被拿来当参照，系统从中分析动作和物体运动怎么对应：接触点落在哪，撞完怎么动，松手后又怎么滚。随后靠轨迹重演，把仿真结果和参考视频里的运动过程、最终状态摆在一起比，物理参数一轮轮调。

走完这一步，重建出的场景就不只是看着像，在动作作用下也“交互准”了。

第三步是预演：在多个平行世界里同时试，挑出最好的那个去执行。

环境可信之后，SimWorld 的自进化动作策略会把当前状态复制进多个独立仿真世界。各候选方案起点完全相同，分别去检验搬运路径、接近方向、释放位置和放置动作。

筛选看几项：机械臂够不够得到、路径会不会碰撞、物体落点在哪、放置稳不稳。执行完成后，新的视觉观测更新物体状态，实际结果再与仿真预测对齐，成为下一轮搜索的起点。

这里有条硬约束：RoboColiseum 是限时评测。仿真里试再多，动作也得在时间预算内给出。“观测处理-场景更新-候选方案生成-物理推演-结果筛选”整条决策链路，因此必须跑得极快。

快，正是 1011.AI 的底气。其自研“谐物”仿真引擎在求解算法和硬件适配上做了大量优化。测试数据显示，在 RTX 5090 平台、双精度计算条件下，该引擎在典型刚体、刚柔耦合以及布料、线缆等大形变场景中的物理求解速度，达到 Genesis、MuJoCo、Newton 等主流物理引擎的 2 倍以上。

速度快了，单位时间内能验证的方案就更多，决策也更从容。

从数学原理到物理智能

MXI-SimWorld 背后，是北京大学数学科学学院杨超教授团队的长期积累。

杨超教授深耕高性能计算，2016年曾带团队拿下国际超算领域最高奖 ACM 戈登·贝尔奖，实现中国在该奖项上零的突破。1011.AI 成立于2026年6月，专注物理 AI 基础设施和模型研发，成立以来已完成过亿元融资。

团队正在搭“高性能计算＋物理仿真＋AI”的全栈技术体系。此次登顶的 SimWorld 之外，MXI-RoboICL、MXI-Hybrid-v0 等系列模型也将陆续发布。

SimWorld 不只在刚性物体操作上表现突出，更难的流体任务也通过了 Sim2Real（仿真到真机）验证。定量倒水任务中，流体与容器的交互公认是最难仿真的类别之一，谐物引擎的仿真结果与真机表现保持了较好的一致性。

大模型已经解决了“想得懂”，要让它“做得好”，还得让它知道行动会带来什么后果。

现实中没法一遍遍试错，于是先为机器人搭一个可信、可交互、能无限重来的世界。该摔的跤，先在里面摔够，再上场。SimWorld 能登顶 RoboColiseum，原因或许就在这里；具身智能要从“感知”迈向“行动”，这也算一条务实的路子。