中国具身智能框架 Auriga 在"零样本"协议下领跑 RoboDojo 榜单

国际机器人操作评测基准 RoboDojo 榜单近日刷新。杭州星衍智能科技有限公司自主研发的通用具身智能框架 Auriga，在不针对目标任务预调优、不依赖专家演示、单次执行且不允许环境重置的 Zero-shot（零样本）评测协议下，以 57.74% 的平均任务成功率、64.00 的平均过程评分领跑该榜单。

RoboDojo 是 2026 年 8 月由香港大学、北京大学等全球近 20 所学术机构联合发起的机器人操作评测基准，为非商业公益项目，榜单由独立公益性组织 AI MMLab Club 基金会治理。该基准设计 42 个仿真任务与 18 个真实机器人任务，覆盖泛化、记忆、精细操作、长程执行、开放语义理解五大能力维度。

据介绍，本次评测共覆盖 42 项任务、3 个随机种子、6300 个测试回合。评测全程执行三项严格约束：不针对测试任务及其布局提前开发专用脚本，所有任务共享同一套固定框架；不提供成功轨迹、视频演示或任务专用代码模板，仅依据任务说明与允许的实时观测自主决策；每个案例只进行一次正式执行，中途出现抓取失败或动作受阻时，须从当前物理状态继续调整，不得重置环境。

"我们想验证的，不是机器人能不能把一道题做对，而是它面对一道没见过的题，能不能自己想办法做下去。"公司负责人说。

据介绍，Auriga 的核心是构建一套"物理执行框架"（Physical Harness），为通用大模型打通物理感知、动作表达、执行验证与任务状态管理。系统可将视觉观测转换为具有真实物理尺度的空间信息，供模型查询目标的位置、朝向与尺寸；所有物理指令在执行前编译为可视化轨迹，执行中对照机器人实测状态，偏差超出容限时自动截停；出现异常时，模型依据物理反馈重新规划，从当前状态继续操作，并保留已完成的进度。

研发团队将机器人能力的自我改进归纳为三个层次：针对特定任务反复调优的"进化答案"、单次执行中在线调整的"进化过程"，以及把跨任务共性改进沉淀为底层通用能力的"进化系统"。Auriga 选择的是第三层路径——不为每个新任务重新定制策略，而是让同一套框架支撑不同任务中的感知、执行与在线纠错。在团队推动的 13 次框架迭代中，42 项任务的平均过程评分由第 4 版的 45.5 提升至最终版本的 64.0，平均成功率由 36.2% 提升至 57.7%。

在跨本体测试中，Auriga 被迁移至家居移动操作基准 RoboCasa365，机器人由双臂桌面操作平台改为搭载 Franka 单臂的移动机器人，任务场景转移至 10 个未见过的厨房，在 50 项任务、250 个测试回合中取得 73.2% 的总体成功率。

这也是该团队在具身智能评测中取得的又一次领先表现。今年 8 月，星衍智能发布首个具身智能模型 StellaVLA。该模型基于"上下文结构化专家演示"技术路径，在 VLA-Arena 榜单泛化性 L1 赛道取得 0.64 的成功率，位居国内模型第一；在经典机器人操作基准 LIBERO 上成功率达 98.8%；在改变相机视角、机器人初始状态、传感器噪声、物体布局、背景、光照和语言指令的 LIBERO-Plus 基准测试中，七类扰动平均成功率达 85.1%。

星衍智能成立于杭州，专注具身智能模型与机器人系统研发，结合杭州的研发与产品化能力与悉尼的科研和海外产业资源，构建了覆盖数据采集、模型训练与推理部署的"采、训、推"全链路技术体系。在数据端，公司自研 ego 与 umi 采集设备及数据采集平台，依托自有商超场景持续开展真实任务的数据采集与验证；在训练与推理端，自研 StellaVLA 具身模型与下一代 Robot RSI 框架，形成从场景数据积累、模型训练优化到机器人部署执行的完整闭环。目前相关技术面向工业装配、零售商超、矿业等场景推进应用。团队核心成员拥有悉尼大学、武汉大学、上海交通大学等高校科研背景，首席科学家徐畅为悉尼大学计算机科学副教授、澳大利亚研究理事会（ARC）Future Fellow。

具身智能已被纳入国家"十五五"规划纲要部署的新产业新赛道。纲要提出的 109 项重大工程中，引领新质生产力发展的有 28 项，具身智能为"十四五"规划纲要中未提及的新增方向，并明确"深入研究物理人工智能""研发'大小脑'一体化的具身模型与算法"等攻坚方向。分析人士认为，"十五五"规划纲要新增多项前沿突破性的新产业新赛道，凸显抢占科技制高点的决心，科技创新正从补短板转向锻长板、从跟随式转向引领式突破。

从自研数据采集设备到模型训练再到部署执行的全链路能力，以及面向工业装配、零售商超、矿业等实体场景的应用探索，是具身智能领域培育新质生产力的具体实践。徐畅表示："物理世界没有无限读档，但智能不应该每次都从零开始。真正的进化不是把同一道题做上一百遍，而是让机器人从过去一百道题中获得成长。"

据了解，精密装配、复杂接触与长程操作仍是该领域的重要挑战。团队下一步将探索分层智能架构：由通用大模型承担任务理解、全局规划与异常决策，由动作模型承担快速、连续的运动与接触控制，物理执行框架负责连接、验证与反馈。