VSArena 1.0发布：具身AI的开放浏览器基准测试来了

语言模型有公开的排行榜，而机器人和VLA（Vision-Language-Action，视觉-语言-动作）策略至今仍主要在私有仿真环境中评测，成绩藏在一张张PDF表格里，缺乏统一、可复现的公开对比标准。独立实验室ONISCOR推出的VSArena 1.0，正是想打破这一现状——它把具身AI的评测搬进了浏览器，做成了一个公开可验证的"考场"。

什么是VSArena

VSArena自我定位为面向具身AI（embodied AI）的官方开放浏览器基准测试。它的核心任务设计相当直观：让策略模型完成一个物体堆叠任务——按照"青色 → 橙色 → 品红"的顺序把方块堆叠起来。

这个看似简单的任务背后是一套完整的评测机制。物理仿真直接跑在浏览器里，由Rapier物理引擎驱动，意味着任何人打开网页就能看到真实的物理交互，而不需要在本地配置复杂的仿真环境。策略模型则通过WebSocket与托管的评测框架（harness）通信，把决策发回给仿真环境执行。

这种"浏览器即考场"的形态，降低了参与和验证的门槛。对于长期依赖私有sim的机器人评测领域来说，这是一次把过程透明化的尝试。

Rapier 是一款用 Rust 编写、可编译为 WebAssembly 的高性能物理引擎，专为在浏览器和轻量级运行时中实现实时刚体仿真而设计。与 MuJoCo、PyBullet 等主流机器人仿真器不同，Rapier 无需本地安装任何依赖，仿真状态完全在浏览器沙箱内运行，具备跨平台可复现性。这一特性使 VSArena 能够让任意访客在同一物理环境下验证策略行为，而不会因本地仿真器版本差异产生结果偏差——这正是可复现基准测试的核心要求之一。

VLA（Vision-Language-Action）模型是近年具身AI的主流范式，它将视觉感知、语言理解与动作输出统一到同一模型框架中，代表性工作包括 Google 的 RT-2、OpenVLA 等。这类模型接收图像和语言指令作为输入，直接输出机器人关节控制信号或末端执行器姿态，本质上是将大规模预训练语言/视觉模型迁移到机器人操作任务。VSArena 的评测对象正是此类策略模型：通过 WebSocket 接收来自仿真环境的观测数据，再将动作指令发回执行。

ELO排行榜与评测可信度

VSArena借鉴了语言模型领域公开排行榜的思路，为VLA策略引入了ELO评分机制。这里有几个关键设计值得关注。

首先，公开的ELO榜单只针对VLA策略，且成绩经过签名验证——使用摘要（digest）加Ed25519数字签名。这是为了保证榜单上每一条成绩都是可追溯、防篡改的。在一个人人可提交的开放系统里，防作弊和结果可信度是排行榜能否立得住的根本。

其次，项目明确区分了"演示"和"正式提交"两条路径。网页上的Tab演示（Studio模式）永远不会写入正式榜单，用户可以先在 Studio 里试玩、调试，感受观测契约（observation contract）和任务机制，而不必担心污染排行榜数据。想正式参与排名时，再走提交流程，整个提交过程官方称大约只需10分钟。

ELO 评分系统最初由物理学家 Arpad Elo 为国际象棋设计，核心思想是通过胜负对局动态更新选手评分：击败强者得分增加多，击败弱者得分增加少。近年来它被引入 LLM 评测领域（如 LMSYS Chatbot Arena），用于处理"策略 A 在任务 X 上优于策略 B"这类无法直接量化的相对排名问题。在机器人策略评测中，ELO 机制的挑战在于任务场景较少、提交样本稀疏，早期分数方差较大，排名稳定性需要积累足够多的对局数据才能显现。这也是 VSArena 作者主动征求社区反馈的重要背景。

Ed25519 是一种基于椭圆曲线的数字签名算法，以高性能和抗侧信道攻击著称，被 OpenSSH、TLS 1.3 等广泛采用。在 VSArena 的语境中，每条提交结果都附带由服务端私钥生成的 Ed25519 签名和内容摘要（digest），任何人可用公钥独立验证某条成绩是否由官方评测框架真实产生、有无被事后篡改。这种机制将"可信任"从依赖平台信誉转移到了密码学保证层面。

如何参与

对想尝试的开发者，VSArena提供了几条清晰的入口：

• 免提交试玩：直接进入Studio模式体验仿真，地址为 vsarena.vercel.app/simulation
• 正式提交：约10分钟即可完成，入口为 vsarena.vercel.app/submit
• 评测完整性说明：项目在GitHub上公开了 eval-integrity 文档，详述签名与防作弊机制
• 社区交流：官方开设了Discord频道

项目由独立实验室ONISCOR开发，作者在发布时明确表示欢迎针对"观测契约"和"评分机制"提出批评意见。这种主动征求同行审视的姿态，对一个刚发布的V1版本基准来说是合理且必要的——基准测试的价值恰恰建立在社区共识与持续质疑之上。

为什么这件事值得关注

具身智能与VLA模型近来热度攀升，但评测标准的碎片化一直是行业痛点。不同团队用不同的仿真器、不同的任务设置、不同的指标各说各话，横向比较几乎无从谈起。

VSArena的意义不在于它当前的单一堆叠任务本身，而在于它试图为这个领域建立一个可公开验证、可复现、带防作弊机制的对比框架。把物理仿真放进浏览器、用数字签名保证成绩可信、区分演示与正式榜单，这些设计都指向同一个目标：让具身AI的评测像语言模型排行榜那样透明。

当然，作为1.0版本，它仍有大量待观察之处——任务的丰富度、观测契约是否足够通用、ELO机制在稀疏任务下的稳定性，都需要更多提交样本和社区反馈来检验。但作为一次开源、开放的尝试，VSArena为具身AI评测的标准化开了一个值得跟进的头。