RoboValue：机器人价值分数升高，真的代表任务在进展吗？

用反事实指令、倒放、重复动作和恢复失败，拆开看似优秀的价值评分

1. 1

   围绕同一任务制造诊断对照

   15仿真、20真实任务各提供100条专家训练示范，总计3500。测试包含成功、错误延续、有效及无效恢复、重复视觉状态和多种合法顺序；机器人形态与环境变化分别测试。图2上中下依次揭示倒放仍加分、恢复未成功却反弹、重复动作不记次数。

2. 2

   统一接口但保留原生语义

   适配器提供高值代表更接近目标的标量、成对比较和可选子任务文本。RynnValue取剩余时间负值，RoboMeter使用进度头而非原生成功头，RoboReward保留五档离散值。零样本无参考适配；单样本只用一条训练示范作参考或LoRA，不能解释为完全相同输入。

3. 3

   拆开目标、顺序与记忆

   TGA-CF保持视频不变，分别改对象、动作、摆放和约束，原指令增益须严格超过四种改写，平分也失败。Cycle-VOC将前进和倒放连起来保留历史，Memory-VOC考察相似画面但不同完成次数。单看与时间相关的VOC无法证明理解状态。

4. 4

   单独审查失败与恢复

   FPL以5Hz采样、最大下降段定位错误，按轨迹长度归一化时间误差；TRR对同一初始错误的延续、成功恢复、失败恢复逐阶段检查趋势，全部阶段符合才算该分支通过。稳定性VS与跨合法顺序的子任务贡献CSVC再揭示抖动和不一致。

5. 5

   审计排行榜权重

   任务内汇总后按任务平均，仿真与真实等权。排行榜部分指标按ID/跨形态/跨环境的1/2、1/4、1/4权重组合；缺失指标归零。RoboReward未测VS与CSVC因此受零分影响，排名不是纯模型能力的唯一排序。

已阅读89页PDF正文及附录A–I、任务卡和分任务结果表，核对实验条件与原图；未独立复现。

已核对GitHub适配器与评测代码、MIT许可证；HF存在仿真/真实的单样本和全样本训练文件。私有测试集不公开下载，团队通过模型推理服务评测。HF元数据未列数据许可证，不能把代码MIT自动扩展到视频数据或称完整数据集开源。

LICENSE作者版权；arXiv非独占托管许可