2026 年 10 月 20 日，商汤在同一天给出三样东西：一套可复现的具身评测工具 SenseNova-RoboRSI Harness，一个 27B 参数的具身模型 SenseNova-RoboRSI-27B-Preview，以及一份针对 GPT-6-Astra 具身能力的系统评测，覆盖 12 项仿真榜单与 8 款真机。三者要连在一起看才完整：它既交出了模型，也交出了衡量具身能力的方法，还顺手把对手跑完一轮任务的代价算了一遍。
这次开源了什么
放出来的不是单个权重文件，而是一整套：
- SenseNova-RoboRSI Harness，负责环境交互与原生评分的评测框架。
- SenseNova-RoboRSI-27B-Preview，27B 参数的具身模型，预览版本。
- 一份覆盖 12 项仿真榜单与 8 款真机的评测报告，对照对象是 GPT-6-Astra。
前两项开源，第三项是它的立论依据。发布与开源详情对开源范围和版本定位有更细的说明。
评测得先能复现
Harness 做的事不复杂，补的却是一块长期空白：把各个 benchmark 及其依赖封装成 Docker 镜像，用统一的 HTTP API 提供环境交互与原生评分。评测环境与模型彻底解耦，换模型不必换环境，换环境不必改模型，一条命令就能复现同一张榜单。
这一层在具身任务上比在纯文本模型上重要得多。文本评测输入一段字符串、输出一段字符串，接口天然统一；具身任务要接仿真器、要驱动真实机械臂、要处理物理状态的连续性，每个 benchmark 的依赖都不一样。环境与模型解耦之后，榜单才具备可比性。
图 1：评测覆盖 12 项仿真榜单与 8 款真机
27B 模型交出的成绩
自测结果分三块：
- RoboDojo 任务成功率 20.83%，对应 26.13 分。
- LIBERO-Pro 超过 90 分。
- RoboCasa365 成功率从 26.0% 提升到 46.5%，同一批任务上 Token 开销降 73%。
三个数字要分开读。RoboDojo 的 20.83% 单看很低，但同一份报告还给了 26.13 分的绝对分，跨模型比较时用后者更常见；LIBERO-Pro 测的是基础操作，90 分以上说明底层操作能力没丢；RoboCasa365 从 26.0% 到 46.5% 接近翻倍，还配上 Token 开销降 73%，指向的是同一件事：用更少的推理开销换更高的成功率。
对手的代价
商汤同时把对手的代价算了出来。把交互步数上限放宽到 10 倍之后：
- GPT-6-Astra 在 RoboDojo 的成功率升至 81.9%。
- 叠碗任务平均耗时约 131 分钟，推理费用约 19 美元。
- 把笔放进笔筒约 263 分钟，约 55 美元。
这里有个容易读漏的地方：放宽步数之后，对手的成功率其实更高。八成的成功配上 131 分钟这样的平均耗时，说明它在长程操作上做得成，只是每一次尝试都要付小时级的等待，以及十几到几十美元的费用。1/50 是效率差，不是能力差。
图 2：新模型完成具身任务的成本仅为对照模型的 1/50
1/50 要连着口径一起读
这个数字传播力最强，也最容易被读成「又便宜又强」。原始口径是默认交互步数设置下的任务成本对比，需要拆成两句话：
- 在有限步数内把任务做完，27B 模型更省，而这是工程落地时更常见的约束。
- 允许十倍步数反复试错时，对手的能力上限更高。
把这两条压成一句「成本只有对手五十分之一、效果还更好」，就是错读。完整的测试设置与榜单结果见评测方法与榜单结果；读这类横评，先看步数上限，再看成功率，顺序反了结论就反了。
个人观点
- 具身智能当前的瓶颈不在模型结构，在评测。参数量、训练配方讨论得足够多，但一个任务算不算完成、失败扣几分，长期没有共识。权重会被下一代覆盖，评测标准则会沉淀下来，成为后来者的起跑线，Harness 的长尾价值大概在权重之上。
- 27B 这个尺寸值得单独说。它意味着具身模型不必时时上云，而推理费用一旦成为机器人日常运营的固定支出，能不能本地跑就从技术偏好变成了成本结构问题，AMD 的本地智能体方案讨论的是同一类取舍。
- 横评的写法本身有价值。把对手的代价换算成分钟和美元，比给一个抽象分数更难反驳，也更容易被复现推翻，只要有人跑出不一样的数字，结论就得改。这一轮往整机走的不止模型公司，Meta 收购机器人公司做人形机器人说明模型与整机谁定义评测，会是下一个分歧点。
还有一条线索值得留意：具身任务的评测正在和智能体框架的评测合流，Hermes 与 OpenClaw 对比里关于工具调用与环境反馈的争论，在机器人身上会原样重演一遍。
更新时间：2026-10-21