北大数院团队 MXI-SimWorld 登顶 RoboColiseum 具身智能周榜

机器之心发布

在 RoboColiseum 最新一期周榜中，MXI-SimWorld 以 0.9656 的成绩位列总榜第一、空间理解、通用操作子榜第一。

当大模型开始走进物理世界，如何让机器人理解指令、感知环境并完成操作，成为具身智能领域的重要课题。

11月11日，

RoboColiseum 官方发布新一期周榜

，榜单显示，截至2026年11月11日中午 12:00，北京大学数学科学学院杨超教授领衔的壹零壹壹公司旗下 MXI 团队，凭借物理 AI 框架

MXI-SimWorld v0 Preview

，以

0.9656

的综合得分位列 RoboColiseum 具身智能评测

总榜第一

。拆开四个子榜看，

MXI-SimWorld v0 Preview

同样没有短板：空间理解、通用操作两项排名第一，指令跟随、扰动适应两项排名第二。四个维度全部进入前二。

Robocolisuem 总榜 截止到 2026 年 11 月

11

日 图源：RoboColiseum

作为由 Hugging Face、NVIDIA、清华大学等全球近 20 家高校、企业与科研机构联合发起的权威评测平台，RoboColiseum 是当下具身智能领域含金量极高的 “实机前置标尺”。它拒绝纸面刷题，通过域随机化机制、训练集与测试集严格隔离的规则规避过拟合，同时覆盖分布内与分布外双重测试，最终评测结果与真实机器人表现的相关性接近 90%，同一模型在仿真与真机两端的成绩差异小于 10%。

榜单设置

指令跟随

、

空间理解

、

扰动适应

、

通用操作

四大维度，前两项考验模型 “看得懂、想得明白” 的认知能力，后两项则直接检验 “动手能不能做成事” 的物理落地能力。

随着通用大模型不断进步，一个问题也愈发受到关注：

模型理解任务的能力，如何转化为机器人完成物理操作的能力？

当大模型已经可以流畅写代码、完成复杂逻辑推理，指挥机器人完成桌面抓取、物品归置等任务，仍然需要面对物体位置、空间关系和动作执行等问题。GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 Argon 等通用大模型也曾参与 RoboColiseum 的评测。在此前的一轮评测中，它们的综合表现已接近头部专业具身模型。

但是，AI 听得懂“把笔放进笔筒”的指令，却需要进一步判断机械臂该从哪个角度靠近、物体被触碰后会向哪里滑动，以及什么时候松手。大模型从海量文本、图像中学懂了世界 “长什么样”，却没有学到 “做出动作之后世界会变成什么样”。

物理世界没有撤销键。一次动作执行失误就会不可逆地改变环境状态，这正是通用大模型落地机器人场景的致命短板。

一、SimWorld：让机器人先在仿真中预演

如果机器人在真正执行动作之前，能先尝试不同方案，看到它们可能带来的结果，会发生什么？

这正是 MXI-SimWorld （下文简称SimWorld）的思路：

动手之前，先彩排。

SimWorld桌面整理长程任务演示 视频来源：1011.AI

以上面视频中的桌面整理任务为例。机器人要完成的第一步，是把桌上的黑笔放进笔筒。但笔该从哪里抓？机械臂沿什么路径移动，才不会碰到旁边的物体？

SimWorld 先从头部和腕部相机获取观测，识别桌面上的物体，再检索相似的仿真资产，调整它们的尺寸、外形和位置，搭建出一个可交互的仿真场景。

接下来，系统从同一个桌面状态出发，在多个仿真环境中并行尝试不同的抓取姿态和运动路径。碰到障碍或未能完成任务的方案被逐步淘汰，成功的轨迹被保留下来。

最后，SimWorld 将筛选出的轨迹带回原始任务场景，让机械臂抓起黑笔，放进笔筒。

一次动作执行之前，系统已经在仿真中预演过多种可能。

从场景观测到动作选择，仿真不再只用于生成训练数据，也开始参与模型的决策过程。MXI 团队将这一思路称为

Simulation as Policy：以仿真支撑策略决策

。

二、仿真让模型拥有一个可以反复尝试的世界

视频中的桌面整理任务，只是机器人与物理世界交互的一个缩影。

把笔放进笔筒，需要判断物体的位置、抓取的方向和机械臂的运动路径。如果换一个位置、换一种形状的物体，或者桌面上多出一个障碍，原来的动作方案可能就不再适用。

对机器人来说，真实世界不是一组固定的考题。物体的形状、材质和摆放方式会变化，动作执行后的结果也可能与预期不同。模型需要在不同条件下获得足够多的交互经验，才有机会学会如何应对这些变化。

最直接的方法，是让机器人在真实世界里反复练习。

但真实交互需要设备、场地、人力和时间。每完成一次尝试，研究人员可能都需要重新摆放物体、复位机器人，才能开始下一次实验。对于危险、罕见或容易造成损耗的情况，反复采集就更加困难。

仿真为这些问题提供了另一种思路。

在仿真环境中，同一个场景可以被复制、调整和重置。研究人员可以改变物体的位置、形状或场景条件，让模型在不同情况下尝试动作；也可以让多条候选路径从同一个初始状态出发，观察它们各自会带来什么结果。

这意味着，仿真的价值不仅在于生成更多训练数据。它还可以成为一个

可交互、可回退、可并行的预演环境

：当系统需要做出选择时，先在其中尝试，再根据反馈判断下一步。

当然，要让预演结果真正具有参考价值，仿真环境也需要尽可能反映物体之间的接触、碰撞和运动。真实数据依然重要——它既可以帮助校准仿真，也可以用于检验模型在真实世界中的表现。

从英伟达的 Isaac Sim，到 World Labs 对机器人仿真公司 SceniX 的收购，空间理解、物理交互和仿真能力正在受到越来越多关注。各家选择的技术路线不同，但都在回应同一个问题：

如何让 AI 更好地理解物理世界，并在其中采取行动？

在 MXI 团队看来，仿真可以更进一步：不仅服务于模型训练，也可以参与动作决策，为模型提供一个在行动前观察结果、比较方案的环境。

但要做到这一点，还需要回答几个具体问题：

如何根据眼前的场景搭建仿真环境？如何让物体的交互尽可能接近真实？又如何高效地预演多个动作方案？

这正是 SimWorld 接下来要解决的问题。

三、SimWorld 怎么彩排：

场景配置、交互校准、动作预演

要让仿真参与模型决策，首先需要根据观测

搭建一个可交互的场景

；接着，让虚拟物体在受到动作作用时

产生有参考价值的反馈

；最后，

在多个仿真环境中尝试不同方案

，为动作选择提供依据。SimWorld 将这几个环节连接起来，形成了从

场景

重建

、

校准

，

预演

的完整过程。

第一步：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（Interactive World Simulator）。它把在线视觉观测和任务指令转化成一个可以操作的仿真环境。

系统先识别和任务相关的物体，结合深度信息估计它们的三维位置、朝向、尺度和相互关系。然后，依托 MXI 团队自研的谐物仿真引擎，按照“

相似资产检索—未见资产生成—实例级编辑

”的流程重建场景。

每个重建出的物体都有两套“身体”：几何网格负责外观，碰撞体负责接触计算。尺寸、位姿、摩擦等参数都可以调整。所有资产装进同一个场景坐标系后，一张视觉画面就变成了一个有几何结构、空间布局和物理属性的交互场景。

仿真资产重建流程 视频来源：1011.AI

第二步：校准，让仿真不只“长得像”，还要“动得像”。

场景看起来一样，物体受力、碰撞和松手之后的运动不一定一样。

为此，SimWorld 引入了

上下文学习（In-Context Learning）

。它把训练样本中的物体交互过程作为参考，分析动作和物体运动之间的对应关系：接触发生在哪里，碰撞后物体怎么动，松手后怎么滚、最后停在哪里。

接下来是轨迹重演。系统把仿真结果和参考视频里的运动过程、最终状态做对比，反复调整物理参数。校准时既看物体最后停在哪里，也看它是怎么到那里的。

经过这一步，重建出的场景就从视觉上的“长得像”，变成了动作作用下的“交互准”。

仿真校准交互过程

视频来源：1011.AI

第三步：预演，在多个平行世界里同时试，选最好的去执行。

有了可信的环境，SimWorld 的自进化动作策略（Self-Evolving Policy）会把当前状态复制到多个独立的仿真世界。不同的候选方案从完全相同的起点出发，分别检验搬运路径、接近方向、释放位置和放置动作。

系统根据机械臂能否够到、路径是否发生碰撞、物体落点和放置稳定性来筛选方案，然后在现实中执行选中的那一个。执行之后，新的视觉观测会更新物体状态，并把实际结果和仿真预测对齐，作为下一轮搜索的起点。

执行前用多个方案做验证，执行后持续修正。MXI 团队把这种思路叫作

“以仿真支撑策略决策”（Simulation as Policy）。

多环境并行预演与候选轨迹筛选过程 视频来源：1011.AI

值得一提的是，RoboColiseum 是限时评测。仿真里试得再多，也必须在时间预算内给出动作。

这要求“观测处理-场景更新-候选方案生成-物理推演-结果筛选”的整条决策链路都要快。推演规模也需要权衡：推演时间越长，越能看到松手后的滚动和失稳；步长越细，越能看清接触过程。但两者都会增加计算量。

这正是 1011.AI 擅长的事。谐物仿真引擎从求解算法和硬件适配两方面做优化：一方面

缩短单条候选轨迹的推演时间

，另一方面

让多个独立环境同时运行

，提高单位时间内能验证的方案数量。

现有测试数据显示，在 RTX 5090 平台、双精度计算条件下，自研物理仿真引擎谐物在典型刚体、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

。

谐物仿真引擎与 Genesis、Newton复杂环境任务对比 视频来源：1011.AI

从场景观测、交互预演到动作执行，SimWorld 如何将这些能力应用到具体任务中？下面的视频，呈现了团队在 RoboColiseum 中的探索过程，以及系统在仿真任务中的表现。

SimWorld在RoboColiseum中的部分 Demo 展示 视频来源：1011.AI

不过，仿真做得再好，最终还要回到真机上检验。

MXI 团队在定量倒水等任务上做了 Sim2Real 验证。

流体以及它们和容器之间的交互，公认是最难仿真的类别之一。

在这些任务上，谐物的仿真结果和真机表现保持了较好的一致。

倒水任务仿真与真机演示对比 视频来源：1011.AI

四、北大数院团队：

从数学原理出发，重构物理智能

要把高保真仿真放进机器人的每一次决策，需要同时具备两种能力：

精确的物理建模

，以及

把计算压到足够快的工程能力。

这两种能力正是 1011.AI 的根基。

公司创始人杨超是北京大学数学科学学院教授。2016 年，他带领团队获得国际超算领域最高奖 ACM 戈登·贝尔奖，实现了我国在该奖项上零的突破。他也是首届王选杰出青年学者奖得主，长期深耕高性能计算、数值仿真和人工智能。

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。团队正在搭建“高性能计算＋物理仿真＋AI”的全栈技术体系。据团队表示，MXI-RoboICL、MXI-Hybrid-v0 等系列模型也将陆续发布。

大模型已经能“想得懂”。要让它“做得好”，还得让它知道行动会带来什么后果。

真实世界不允许反复试错，那就先给机器人一个可信、可交互、能无限重来的世界。该摔的跤先在里面摔完，再上场。

这是 SimWorld 给出的答案，也是它登上 RoboColiseum 榜首的原因。

© THE END

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com