RoboArena登顶梦碎！具身智能的榜单狂欢，原来只是一个数据骗局

文 | 智能相对论

作者 | 陈泊丞

两周前，千寻智能无疑是整个具身智能赛道当之无愧的明星企业。

一是千寻智能自研的具身基座模型Spirit v1.6，在RoboArena榜单上综合得分全球第一，力压英伟达Cosmos3和Physical Intelligence的Pi0.5，“打破硅谷霸榜魔咒”。

二是千寻智能再获15亿元A+轮融资，三个月内累计融资近50亿元，刷新了具身智能赛道的纪录。

这两件事，信息量很大，都来自千寻智能公众号于6月3日发了一篇推文：《双线告捷！千寻智能Spirit v1.6横扫北美「具身奥林匹克」夺冠，再获15亿元A+轮融资》。技术登顶，资本加码，两条主线在同一个时间节点交汇，一切都显得顺理成章。

在推文里，RoboArena甚至被赋予了极高的包装——“北美具身智能奥林匹克”“世界级权威主榜单”“机器人领域的Chatbot Arena”。这些名头堆在一起，给外界的感觉很显著——这不是一次普通的上榜，这是一场国际赛场的登顶。

资本追逐榜单，榜单加持融资，逻辑环环相扣。

但仅仅几天之后，事情开始不对劲了。

有人注意到RoboArena上Spirit 1.6的评测数据很异常。310次评测记录中，72%的分数来自两个账号——ECUST Robot Lab（179次，胜率97%）和Robotics Lab（45次，胜率86.7%）。而NVIDIA用同样模型测了21次，胜率0%。

更戏剧性的是，RoboArena官方很快发布了公告。回溯调查之后，他们移除了一批可疑评测数据，更新了榜单排名。Spirit 1.6的名字，从榜单上消失了。

从刷上榜、到发文宣发、到拉来融资、再到被踢出榜单，前后间隔短短数日。一切都发生得太快——但客观而言，这已经不是一次普通的排名波动了，这是一个行业的信任被放在火上烤。

一场蓄谋已久的刷分，RoboArena是怎么被玩坏的？

先说清楚RoboArena的玩法是什么。

客观而言，RoboArena在设计上并不是一场可以随便操弄的游戏。它的核心逻辑借鉴了大模型领域的Chatbot Arena：评测者不知道自己测的是哪个模型（双盲），对手通过ELO算法随机匹配，评测数据来自全球不同机构的真实环境。

理论上，你想给自己刷分，门槛很高。你控制不了对手是谁，控制不了评测环境，也控制不了评测者的判断。这套机制摆在那里，看起来确实不好作弊。

但“理论上”这三个字，往往是所有漏洞的起点。

首先，RoboArena是一个开放注册的分布式评测框架。在这里，任何机构都可以注册成为评测者（Evaluator），在自己部署的机器人硬件上执行评测任务。

当然，这个设计的初衷是让评测去中心化、去单一化，但这同时也意味着一个很简单的操作：如果你想刷分，先给自己注册一个评测者账号就行了。

ECUST Robot Lab、Robotics Lab，这两个账号在5月26日注册进入系统。从这一天起，Spirit 1.6的评测记录开始爆发式增长。

值得玩味的是，另一家具身公司X Square Robot（自变量）注册评测账号时，直接用了公司全名。这个操作有点意思，几乎把行业的遮羞布都扯了下来——评测者不是“第三方独立机构”，而是“自己人”。

其次，正常来说，一个评测者应该对榜单上的多个模型做相对均匀的评测。这是分布式框架的基本逻辑，数据分散在不同评测者手里，汇总之后才有统计意义。

但ECUST Robot Lab和Robotics Lab进来之后，几乎只做一件事，那就是反复评测Spirit 1.6。ECUST Robot Lab累计评测276次，其中179次对象是Spirit 1.6，占比64.5%。Robotics Lab累计评测142次，45次是Spirit 1.6，占比31.7%。两个账号加在一起，贡献了Spirit 1.6全部评测数据的72%。

72%的数据，来自两个自己人。剩下的28%，来自其他真正独立的评测者，而这些独立评测者测出来的成绩，和前面两个账号测出来的完全不同。

到这里，事情已经够明显了。

但还不止。

ELO天梯机制本来的作用，在于你只能跟排名相近的对手打，对手越强，赢了加分越多，输了扣分也越狠。这个机制的初衷是防止有人刷低分对手来冲排名——你打弱队效率太低，想上去必须干掉一个强者。

但Spirit 1.6的评测记录表明，它找到了另一个取巧的办法：不是挑弱的打，而是避开强的打，很“聪明”地避开了真正的强敌。

前期，Spirit 1.6和当时榜单第一的DreamZero交手了23次。成绩是17负、4平、2胜——基本打不过。此后，Spirit 1.6不再跟DreamZero对战。双方最后一次PK记录，停在了5月31日。

包括后来登顶的那个模型，Cosmos3-Nano-Policy，5月30日才加入测试。Spirit 1.6跟它，竟然连一次对战记录都没有。

一个在榜单上冲到顶的模型，却从来没有跟真正的前两名正经打过。这不是技术层面做不到公平对战，而是评测策略层面选择性地避开了所有可能输的对手。

到这里，一场刷分操作的全貌已经清晰了：先注册两个自己人账号进评测系统，用这两个账号给自己集中刷高分数据（占总量72%），同时以“随机匹配”为名，绕开所有真正有威胁的对手。

技术上ELO机制还在运转，实际上天梯排名的意义已经被架空了。

榜单狂欢背后，具身智能行业正在经历什么？

当然，这件事最让人不舒服的，不是刷分了，而是刷分和融资之间的时间线。

6月3日，千寻智能发布推文宣布Spirit 1.6登顶RoboArena。同一天，宣布完成15亿元A+轮融资。三个月，累计近50亿元。

在具身智能这个赛道里，技术路径还没收敛，商业化验证还在早期，外部统一的评价体系少得可怜。RoboArena在这样的环境里被迅速推到了前台，成了最直观、最容易被资本听懂的那套“技术证据”。

要知道，榜单排名天然适合写进投资人的尽调材料里。它不是学术论文，它是一串可以直接放进融资PPT里的数字和名次。因此，当排名本身可以直接影响估值和融资节奏的时候，刷榜的动力就不再是学术上的面子问题，而是真金白银在驱动。

但是，RoboArena本身离“权威”还远着。

根据公开资料，RoboArena目前仍是一个学术原型：首个版本在7所学术机构部署，针对7个通用策略完成约600次真机对比，评测硬件绑定在DROID平台（Franka Panda机械臂）上，尚未扩展至其他机器人本体。论文作者也在文中指出，未来需要持续验证其排名结果与真实世界表现的相关性。

也就是说，这个被描述为“世界级权威主榜单”的评测框架，在学术圈尚且属于“有潜力的研究方向”，离行业公认标准还有距离。

但在千寻智能的语境里，这些限定条件全部消失了。RoboArena变成了一个已经封神的“奥林匹克”。很显然，一个还在验证中的学术原型被包装成权威认证，融资故事才讲得通。

时至今日，当刷分被揭穿之后，代价却不只是千寻智能一家的事。

具身智能是中国AI里目前最热的赛道，也是国际关注度最高的赛道之一。这次事件的信息已经传到了海外。当中国具身智能企业的名字和“刷榜”两个字被放在一起讨论的时候，受到牵连的很有可能是整个行业的国际可信度。

更麻烦的是，它还会反向伤害真正在做事的公司。当一家公司靠刷榜拿到近50亿融资之后，那些没有这么做、老老实实在实验室里磨技术的团队，反而会被反复质疑、拷问：“你的排名是真的吗？你怎么证明？”

劣币驱逐良币，就从这里悄然开始、蔓延开来。

如果有人觉得“反正榜单都会被刷，那投入技术有什么用”——这才是这件事最糟糕的后果。

当然，在这场风波里，也有值得说一说的一面。

在Spirit 1.6刷分的那段时间里，WALL-OSS也在全力冲击榜单。它没有找到“定向只测自己”的方法，只能在合规框架里正常打榜，最终被两个刷分账号挤出了竞争序列。作为一家真正遵守规则、按实力去打的团队，却被这个扭曲的评测生态拦在了门外，实属唏嘘。

此外，Cosmos3-Nano-Policy的登顶，是另一个硬核实力的证明。这次官方更新榜单之后，它还在榜上——可见，一个靠合法合规评测打上来的模型，是经得起回溯调查的。

诚然，榜单本身不是假的。有人刷，不代表这个评价体系应该被废弃。但前提是，规则必须能拦住想钻空子的人。

结语

根据最新消息，RoboArena已经出手了。回溯调查、排除了有利益关联的评测数据、重置了评测者准入规则。这是对的，也是必要的。

但这场风波，不应该只以“榜单更新”为终点。

千寻智能的事件之所以值得被认真对待，不是因为它有多罕见，而是因为它可能不是孤例。当一个行业的评价标准本身还不够成熟，而评价结果又可以直接撬动数十亿级别的融资时，钻空子的动力是系统性的，不是某一个人、某一个公司的问题。

靠一份榜单讲故事融资的窗口，到今天还没关上。但通过这件事，至少有了一个可以放在台面上的共识：你拿给你的投资人看的那个“第一”，得是真的。

榜单可以更新，但信任重建，要难得多。

从今天开始，具身智能行业要走的路还很长。

*本文图片均来源于网络