清华团队发布HandsOn：跨本体灵巧操作仿真基准，迁移成功率仍接近于零

双手协作、工具使用、精密接触——这些听起来像产线标配，却是当前机器人学习最难交账的一环。近日，清华大学丁宁团队联合北京邮电大学、北京大学及自然意志（NatureWill）研究者，公开跨本体灵巧操作仿真平台与评测基准 HandsOn，把“会不会做”和“换了条件还会不会做”拆开测量。

基准规模：

1. 任务：66项经人工验证的任务，划分为提供示范的 Core-50 与专测泛化的 Transfer-16。
2. 数据：约1.8万条精选仿真遥操作示范；平台支持5种机械臂、6种灵巧手，以及约200类刚体、关节与可变形物体资产，可在随机化场景中组合。
3. 评测方法：覆盖扩散策略、视觉语言动作模型（VLA）、世界动作模型（WAM）等路线，以及未用基准数据微调、经 move_eef 接口控制手掌与手指的 GPT-6 参照。
4. 开源：论文、代码与示范数据已分别落在 arXiv、GitHub 与 Hugging Face。

成绩单并不轻松： Core-50 上，表现最好的受训多任务策略任务平均成功率约29.1%（OpenWAM）；Transfer-16 上，8种受训多任务策略的任务平均成功率均低于1%。GPT-6 在660次测试中，Core-50 与 Transfer-16 成功率分别约为5.2%与1.9%。阶段性诊断显示，机器人常能完成动作前半段，却在接触建立、双手协调或目标状态保持等关键节点失手。

HandsOn 的产业含义很直接：示范内执行与跨资产、跨技能组合、可变形物体迁移是两条难度曲线；后者几乎还没被现有多任务策略啃开。需要说明的是，分数依赖特定仿真协议与任务卡定义，跨真机产线复制仍待更多独立复现。

一句话收尾：HandsOn 把灵巧操作的“会做一点”和“会迁移”拆开记账——迁移侧接近于零，才是下一程真正要打的仗。