RoboDojo DO-WAM 评测 · config_exp WSD-S 65k（官方协议 6300 回合）

RoboDojo DO-WAM 评测 · config_exp WSD-S 第 1 周期 65k（官方协议 · 6300 回合）

主数字是 config_exp WSD-S 第 1 周期 65k EMA（从 config_exp 60k 完整训练状态续训 5000 步，WSD-S 末 1000 步线性衰减，memory 任务比例 0）按官方协议跑的纯 WAM全量结果：54 个配置 × seed 0–2 × 官方回合数（每个 seed 50 回合，其中 24 个配置 25 回合）= 6300 回合，在官方 RoboDojo Docker 镜像（upstream 726e9aa，Isaac Sim 5.1，官方默认 CPU 物理，单环境）里评测。这是第一份按官方协议跑完的 DO-WAM 结果，回合数是 7/seed 筛查的 5.6 倍。灰色参照一：config_exp 60k（本页的起点权重）；灰色参照二：skill30 30k。两个参照都是同一 Docker 管线下的 7/seed 筛查（每个配置 21 回合），单个配置误差约 ±8 个百分点。每条 episode 都能看到任务要求、结果和头部相机录像。

结果（09-25）：续训 5k 步没有带来整体提升。65k 官方协议 906/6300 = 14.4%，与 60k 的 7/seed 筛查 14.4% 持平；按官方排行榜算法（五个能力维度等权，全部 54 个配置，6300 回合无缺失）：Score 20.73，在 48 个模型中排第 6，成功率 13.76% 排第 8。变化超过 10 个百分点的任务：变好 build_tower 6/21 → 67/150、insert_tubes 9/21 → 83/150、store_laptop_and_headphones 2/21 → 16/75；变差 hang_mugs 9/21 → 20/75、make_kong 6/21 → 19/150、plug_in_charger 5/21 → 12/150、pour_liquid_into_cup 11/21 → 29/75。参照只有 21 回合，这些差异里有相当一部分是筛查的抽样误差。更公平的比较：只取 60k 筛查跑过的同一批 1097 个（任务, seed, 布局），60k 为 154/1097 = 14.04%，65k 为 165/1097 = 15.04%；只有一方成功的回合 60k 59 个、65k 70 个，McNemar 精确检验 p = 0.38，差异不显著。
补跑说明：fold_clothes_random seed 0 第一次只跑了 2/25（Isaac Sim 渲染出现 CUDA 非法内存访问卡死，旧的完成判定把它当成了完成），判定修复后补跑剩下 23 回合（job 3073），这一组最终 7/25 成功。

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