RoboDojo Sim Agent 双臂机器人仿真榜单出现新的第一名 Q0-Preview，它是目前唯一超过 Claude Fable 5.2 的方案，没有走现在主流的 VLA、WAM 具身模型路线，而是用老版本 Claude Opus 5.5 作为基座，靠 Agent 智能体框架拿到榜首成绩，这个结果直接打破行业固有认知，证明不靠专门训练的视觉动作模型，普通通用大模型搭配好的 Agent 调度链路，也能做好机器人物理操作任务。现在具身智能赛道里，大家普遍优先 VLA、WAM 这类专门针对机器人动作输出训练的范式，需要大量机器人动作数据集，训练成本高、定制化强；而 Q0-Preview 团队没有单独训练机器人动作策略，选择复用通用大模型的空间推理、规划、记忆、工具调用能力，把图像观测、任务拆解、动作校验、失败重试全部交给 Agent 流程闭环；整套流程是摄像头拿到仿真画面传给基座 Claude，Agent 拆解长期任务，分步输出控制指令，每一步做完自动校验结果，出错就回溯调整，在 RoboDojo Sim 榜单上 Q0-Preview 任务成功率 68.87%、综合得分 74.2，而 Fable 5.2 成功率 64.9%，排在第二；这个案例给行业提供了一条低成本路线，不用重头训练具身基座，也能在机器人仿真任务上跑赢最新的 Fable 系列，后续会有更多团队尝试通用大模型 + Agent 的具身方案。
一、RoboDojo Sim 榜单核心数据对比表
| 方案名称 | 基座模型 | 技术路线 | 任务成功率 | 综合得分 | 排名 |
|---|---|---|---|---|---|
| Q0-Preview | Claude Opus 5.5（旧版 Claude） | Agent 智能体路线，非 VLA/WAM | 68.87% | 74.2 | 第 1 |
| Claude Fable 5.2 | Claude Fable 5.2 | 通用大模型原生具身能力 | 64.9% | 暂无 | 第 2 |
| GPT-6 Astra | GPT-6 Astra | 视觉动作模型路线 | 29.8% | 暂无 | 靠后 |
| Claude Opus 5.5 | Claude Opus 5.5 | 原生通用模型，无 Agent 封装 | 39.4% | 暂无 | 靠后 |
二、VLA、WAM、Agent 三种路线区别清单
- VLA：视觉 - 动作模型，专门用大量机器人动作数据训练，图像直接映射机器人动作，适合高速连续控制，缺点是泛化弱、换任务要重新调优
- WAM：世界动作模型，先学习环境世界模型，再预判动作带来的环境变化，算力开销大，训练数据门槛高
- Agent 路线（Q0-Preview 方案）：通用大模型做规划，接收图像观察、拆解任务、下发指令、校验反馈、循环重试，不需要海量机器人动作专项数据，泛化更强，推理链路更长
三、Q0-Preview 这套 Agent 方案运行流程
- 观测输入：仿真机器人摄像头传回画面，交给 Claude Opus 5.5
- 任务拆解：大模型理解目标，把复杂操作拆成多步子任务，比如拧瓶盖、挪方块
- 动作生成：输出机器人控制指令，下发给仿真环境
- 结果校验：执行完成后，再次读取图像，判断这一步有没有完成
- 失败回溯：如果操作出错，Agent 自动复盘原因，调整策略重新尝试
- 循环直到任务全部完成
四、这件事给具身智能赛道带来的信号
- 具身能力不一定非要专门训练 VLA/WAM 动作底座，通用大模型 + Agent 闭环是可行的替代路线
- 老版本 Claude Opus 5.5 本身机器人单项跑分一般，加上 Agent 框架之后上限大幅提升
- 赛道会出现两条路线并行：一条是专用具身模型，一条是通用大模型 Agent 化改造
- 中小团队可以低成本入局，不用采集海量机器人动作数据集，降低具身研发门槛
五、方案短板说明
- 推理耗时更长，每一步都要调用大模型做规划和校验，实时性不如原生 VLA
- 高度依赖大模型的空间理解能力，基座模型本身推理弱的话，Agent 效果会崩盘
- 目前只在 RoboDojo Sim 仿真环境验证，还没有大规模真机落地测试
【常见问题】
问题 1：Q0-Preview 为什么能超过 Fable 5.2，不走 VLA、WAM 还能用旧 Claude 拿 RoboDojo 榜单第一？
回答 1：Q0-Preview 没有采用 VLA、WAM 专用具身模型范式，它以旧版 Claude Opus 5.5 为基座，依靠 Agent 智能体闭环做任务拆解、图像观察、动作校验和重试，在 RoboDojo Sim 仿真榜单上成功率超过 Fable 5.2，拿到第一名。
问题 2：Q0-Preview 用的旧 Claude，也就是 Claude Opus 5.5 原生机器人能力怎么样？
回答 2：旧 Claude Opus 5.5 原生在 RoboDojo Sim 测试成功率只有 39.4%，本身机器人控制表现一般，是搭配 Agent 框架之后，才实现超越 Fable 5.2 的效果。
问题 3：VLA 和 WAM 是什么，和 Q0-Preview 这个旧 Claude Agent 路线差别在哪？
回答 3：VLA、WAM 是专门训练的视觉动作类具身模型，需要大量机器人动作数据集；Q0-Preview 依托旧 Claude 走 Agent 路线，不训练专用动作模型，靠大模型规划 + 反馈循环完成机器人任务，泛化更好、训练成本更低。
问题 4：Q0-Preview 在 RoboDojo Sim 榜单拿第一，是不是代表 Agent 路线已经全面取代 VLA、WAM？
回答 4：不是，Q0-Preview 依托旧 Claude 的 Agent 路线只是在 RoboDojo 仿真基准拿到更好成绩，它推理速度慢、实时性偏弱，VLA、WAM 在高速连续控制场景依然有优势，两条路线会并行发展。
【参考资料】
[2026-11-11]（唯一超过 Fable 5.2：不走 VLA，也不走 WAM，他们用旧 Claude 拿了第一）新浪财经
[2026-11-11]（RoboDojo Sim 榜单更新，Q0-Preview 首超 Fable 5.2）网易科技
[2026-11-10]（Anthropic 发布 Fable 5.2，RoboDojo 仿真机器人成功率 64.9%）36 氪
[2026-11-10]（Fable 5.2 具身能力解析：对比 GPT-6 Astra、Opus 5.5）华尔街见闻
【免责声明】
本文为 RoboDojo Sim 榜单、Q0-Preview 与 Fable 5.2 相关具身智能资讯整理，榜单得分、成功率为仿真环境测试结果，真机落地效果会存在差异；VLA、WAM、Agent 路线的优劣会随模型迭代、数据集扩充持续变化，内容仅为技术趋势科普，不构成具身项目研发、算力采购、模型选型的决策建议。