robodojo_s060000_ema_shared_d10_s3x7_20260911

RoboDojo DO-WAM 评测 · config_exp 60k（官方 Docker · CPU 物理）

← 主页（补丁栈结果） · skill_fix 40k（官方 Docker）

主数字是 config_exp 60k EMA（276k EMA 初始化、RoboDojo 微调 60000 步）在官方 RoboDojo Docker 镜像（upstream 726e9aa，Isaac Sim 5.1，官方默认 CPU 物理，单环境）里的纯 WAM全量结果，54 × 3 × 7 = 1134 集。灰色参照一：同一 checkpoint 在旧补丁栈（GPU 物理）的最终结果，两者唯一差别是仿真管线；灰色参照二：skill_fix 40k 在同一 Docker 管线，两者唯一差别是 checkpoint。每条 episode 都能看到任务要求、结果和头部相机录像。

发现（09-24）：物理引擎是结果的一部分。同一 config_exp 60k 权重：GPU 物理（补丁栈）合并 15.9%，CPU 物理（官方 Docker）14.4%；逐任务差异很大——build_tower 18/21 → 6/21、play_tic_tac_toe 14/21 → 1/21、organize_table 6/21 → 1/21，反过来 put_bottles 13/21 → 21/21、make_kong 0 → 6/21、make_toast 3 → 8/21。接触密集型任务（堆叠、插入、按钮、推动）最敏感。以后只在同一管线内比较 checkpoint，官方 Docker/CPU 物理为基准；skill_fix 40k 在同一管线下为 11.7%，与本页的差距是 2.6 个百分点。

五个能力维度

官方榜单口径：维度内任务等权，五维等权平均；generalization 的普通/随机版本各占一半。所以一个评测条件的杠杆（从 0 做到 100% 能给总分加几分）取决于它所在维度有几个条件——memory 每条 3.33 分，generalization 每条只有 0.83 分。两种统计：已完成子集（29 个基础任务全部测完，其他模型也按同一子集重算）和全量补零（未完成/异常/跳过项暂记 0 分）。参照线为官方榜首。"训练份额"是 robodojo_task_focus.yaml 草案里该维度可训任务的采样份额之和。

逐任务结果

点任意圆点看那条 episode 的头部相机录像（有录像的圆点带实心边）。每个任务最多带 3 条成功、2 条失败的录像。每张卡还标了：你的评审备注、该条件对总分的杠杆、训练语料覆盖情况和 robodojo_task_focus.yaml 草案里的采样权重。

成功 失败（圆点内为部分得分） 场景异常，隔离不计 未跑 / 跳过 重点可能可以提别管了 评审备注 训练任务随机布局变体未训练 语料覆盖

逐任务对照：官方榜单、补丁栈（GPU 物理）与 skill_fix 40k（同管线）

每行一个评测配置，数字都是成功率（%）。排名是本页 SR 在 40 个官方模型加我们共 41 个里的名次，按 SR 严格高于我们的模型数计，"并列"含我们自己。青色底表示本页 SR 不低于该任务官方榜首。点表头排序。我们每配置只有 21 条（1 次成功 ≈ 4.8 个点），官方是 75/150 条；差距在 ±10 点内基本看不出高低。

官方榜单（RoboDojo Sim Leaderboard，官网 2026.9.23 版）与本页模型的位置

已测完子集上的重算排名（前 12）

官网榜单更新记录

口径与局限

    未计入的部分