micro1 Dual-Arm Sim 評測：800 次模擬只有 11 次完成，為何 AI 說做完還不算？
micro1 Dual-Arm Sim讓10個模型進行800次模擬操作，只有11次完成，213次完成宣告全部錯誤。解析進度分、感測驗收與機器人採用的測試邊界。
控制手臂的 AI 回報藥匣已經放好，感測器卻可能顯示它從未抓住物件。micro1 新公布的 Dual-Arm Sim，把這個落差放進同一套評測。
micro1 在 2026 年 10 月 30 日公布評測，讓十個通用前沿模型操作模擬手術室中的雙臂機器人。八百次試驗中，只有十一次完整完成任務，成功集中在兩個模型。
系統另有二百一十三次回報完成，全部與實際終態不符，其中九十四次連物件都沒碰到。因此，流暢的進度描述還需要獨立驗收。
這些是公司建立的模擬測試，並非真人手術。控制介面、動作縮放和評分方法，都會影響結果能說明的能力範圍。
準備把模型接到設備的團隊，值得先看感測資料如何確認結果。對一般讀者，這也解釋了為何 AI 能說出正確流程，仍可能做不完工作。
先從四個任務與完整成功的定義開始，才能看懂模型卡在哪一段。
Dual-Arm Sim 測什麼，八百次試驗怎麼來的？
四種物件操作把看、抓、搬、放和確認連成工作，而非只測模型會不會描述步驟。依 micro1 完整評測，任務包含換器械、換藥匣、雙手交接樣本，以及裝妥器械組。
公司用 NVIDIA Isaac Sim 與 Isaac Lab 建立物理模擬手術室。兩支機械臂在器械推車附近操作，每項任務各跑二十次，再由十個模型接受相同測試，形成整批試驗。
這裡測的是通用模型從畫面與感測資料產生動作的能力。場景有醫療物品，不代表模型正在替病人執行手術，也沒有由這個測試得到臨床成效。
先確認任務可解，再測模型能否完成
在評分前，團隊檢查物件尺寸、質量、摩擦與碰撞，並讓腳本專家完成每個任務。腳本專家是預先寫好的控制程序，用來確認環境中存在可行做法。
因此，模型失敗時，至少有一份可完成的操作作為參照。但這仍是發布者自己的環境檢查，不能直接推論模擬已涵蓋真實設備的所有變化。
各系統面對相同二十個起始配置，其中換器械採固定佈局，其他三項會讓物件位置小幅改變。這個差異值得保留，因為同一場景反覆嘗試和適應新位置，不是完全相同的能力。
每回合最多有一百二十次決策，模型需要在這個範圍內完成整條工作。若只是找到目標或把物品抬起來，後面尚有放置與確認，不會因此自動算成功。
任務範圍固定之後，進度與完整成功就需要分開計算。
We gave 10 frontier AI models control of a surgical robot in a simulated operating room.
— micro1 (@micro1_ai) October 30, 2026
Across 800 trials, only two models completed the task at all: Gemini 4 Argon nine times, and GPT-6 Astra twice.
Models claimed success 213 times. Every claim was wrong. In 94 of them, the… pic.twitter.com/iPUuKula5M
進度 49.5 分，為何只有少數任務完成？
進度分會替部分動作記分，完整成功則要求全部條件同時成立。手臂即使搬動物件，也可能在放置、使用哪一隻手或最後收尾時失敗。
micro1 把進度從沒有接觸，一路分到靠近、抓住、移動、放置與完整完成，使用〇到一百分。各系統的平均分，描述試驗走到多遠，不能直接當成完成比例。
Gemini 4 Argon 與 GPT-6 Astra 的平均進度同為四十九點五分，但前者完成九項、後者兩項。因為進度總分相同，榜單再以完整完成次數分出先後。
做到中間，和把整件事交付差在哪？
Argon 的成功來自六次藥匣更換與三次器械組裝，Astra 則完成兩次藥匣更換。換器械與雙臂交接樣本都沒有受測系統完整完成，因此不能把領先解讀成四種工作都已可靠。
例如換藥匣，拿起故障藥匣只是中途進度，還要把備品正確放到指定位置。若物件已移動但沒有放妥，畫面看起來有做事，工作仍無法交給下一站。
這種評分能讓研究者找出卡點，因為只列成功或失敗，會把完全沒動和已接近完成放在同一格。但若要決定設備能否自行工作，最後終態仍是不能省略的條件。
雙手交接，需要同時守住什麼？
樣本交接更能說明這個問題。左手要先抓住瓶子，再交給右手，只有兩邊的位置看起來接近，還不足以確認接收已穩固，所以放開左手之前需要另一份證據。
原始紀錄顯示，有些回合在右手回報握住後，左手立刻鬆開，但下一兩步右手就再度顯示空手。因為短暫接觸與持續抓牢不同，交接的驗收也不能只看其中一刻的訊號。
這讓研究者能把失敗細分成接收未穩、提前鬆開或原本就抓空。分類不是為了替失敗改名字，而是讓下一輪能對準具體動作，知道該調整哪個交接條件。
所以，進度分適合用來找改進方向，完成數則回答本次有多少回合走到終點。兩者需要一起讀，才不會把局部能力當成整段流程已經成熟。
即使做出進展，模型是否知道自己已完成，仍是另一個問題。
錯誤完成回報，感測器揭露了什麼？
這項測量比較模型說法與環境真值，讓自我回報接受外部檢查。環境真值是模擬器記錄的實際物件狀態，例如在哪裡、是否被抓住，以及有沒有放到目標位置。
在二百一十三個回合裡，模型送出完成旗標，但當時都沒有滿足任務條件。其中有九十四個回合尚未碰到物件，顯示部分宣告與工作進展相差很遠。
這與少數回合實際成功並不矛盾。評分器可以根據終態確認任務完成，模型也可能在任務尚未完成時自行說做完，所以兩個統計觀察的是不同事情。
手裡有沒有東西，要回到夾爪讀值
官方另檢查模型是否把空手描述成正在搬運。夾爪開口大小已在每次觀察中提供，但有些系統仍連續多步敘述自己拿著物件，忽略夾爪已完全閉合的訊號。
藥匣若被夾住，夾爪會保留一定開口，空手時的讀值不同。因此，這個任務其實已有資料可以核對，問題出在控制端是否將讀值接回自己的動作判斷。
對設備整合者而言，這支持一種具體分工：代理安排動作，感測或其他驗收程序確認結果。這是由測試現象推導的設計方向，本文沒有替任何真實設備驗證控制效果。
例如下一步要搬送樣本，先確認確實抓住，才有理由進入移動階段。若只依一句「已抓住」往下走，後續規畫即使順暢，也可能一直以不存在的狀態為前提。
同樣的分工也適用於結果描述。若狀態訊息寫「已放入托盤」，但物件座標仍在外面，應以環境紀錄繼續判斷，因為描述是系統產生的文字，物件位置才對應這次要完成的工作。
所以，保存狀態訊息與感測的共同時間點也很重要。只留下最後一句話，會看不到當時物件在哪裡，便難以分辨系統是過早宣告、後續掉落，還是整段動作從未發生。
若每一步都留下相同時間的畫面與讀值，便能沿著交接順序回查：先確認哪隻手真的握住，再看另一隻手何時放開。這樣一來，改善對象是可定位的交接條件，不會只因最後一句話說已完成，就把中途掉落的原因略過。
要縮小這種落差，模型必須持續讀回畫面和感測資料。
延伸閱讀：RoboJev 開放機器人成功判斷模型：95.2% 成績、每千次 0.19 美元怎麼讀？
漏抓後能否再看一次，為何影響最後結果？
能根據失敗回饋修正位置的模型，較容易從漏抓走到真正抓住。測試不只問第一次動作是否正確，也看沒有成功時能不能換做法。
官方記錄模型自己估計的目標位置，再和實際位置比較，最初估測的中位誤差為三十三公分。因為目標判斷一開始就可能偏離，後續觀察便會影響手臂能否靠近。
在至少漏抓一次的回合中，Argon 有四十個回合重新抓住，分母為六十，Astra 則在六十二個裡有四十一個。兩者約三分之二，但這指漏抓後復原，仍不是整件任務的成功率。
重新觀察要改變動作，才算有效回饋
如果代理只是重複相同方向、相同位置，更多決策不一定帶來更接近目標的結果。能把新畫面與夾爪狀態用來修正，才可能讓前一次失敗對下一次有幫助。
官方也發現，較多推理文字未必換來較好操作。這是受測模型之間的觀察，不能進一步宣稱只要強制模型少說話，機械動作就會更準。
原因可能同時涉及模型、提示與控制方式，這次研究沒有把所有因素逐一分離。讀者可以追蹤它有沒有根據新證據改變做法，而不只用輸出長短判斷操作能力。
不過，這些表現仍受到本次控制器和模擬設計的影響。
思考時暫停、動作只走 40%，比較有哪些邊界？
測試提供可重複的介面，也放入模型必須自行察覺的動作偏差。每次命令的位移只執行約四成，系統事前不知道，需要從畫面與位置回饋認出落差。
這讓評測同時包含適應控制器的工作。若它發現每次都比預期少移動，便需要修正後續動作，所以結果不能只歸因於看不懂物件或沒有空間推理。
控制端收到俯視與手腕相機影像、指尖位置、夾爪開口，雙臂任務另有接觸訊號。它回傳相對移動、夾爪命令與狀態，並非直接使用專門學過機器人動作的控制政策。
慢模型沒有被同樣方式扣掉物理時間
模擬會在模型思考期間暫停，因此較慢回應不會讓物件在等待時繼續移走。這有助於把本次操作結果與反應時間分開，但也限制了對即時現場的推論。
真實設備若必須在環境持續變化時行動，需要另外確認觀察、計算和執行能否接得上。這是本次暫停設計留下的研究問題，不是本文已測得真機會失敗。
此外，專為機器人訓練的視覺語言動作模型仍列為後續加入，導航也尚未測量。不能把這張榜單延伸成所有機器人模型的比較，或宣稱已評估整間手術室的移動工作。
因此，現場採用還要確認任務、資訊與驗收條件，才能知道測試結果能帶走多少。
從感測確認完成，再談設備端採用
我建議把抓到、放好和整件工作完成，各自對上可確認的結果。這是根據評測提出的方法，本文沒有參與設備部署，也沒有驗證醫療安全或節省人力的比例。
例如先用相同物件與固定位置比較一段藥匣操作，保留每一步看到什麼、夾爪回報什麼。這樣即使沒有完成，也能知道應先改觀察、抓取還是最後放置，避免把整件失敗只歸成模型不夠強。
若要比較新版模型，也應維持同樣驗收。因為只把提示改得更容易過關，或換了較好抓的物件，數字變好仍不足以說明原來的困難已解決。
完整成本則要看到可接受終態為止。一段工作提出多少次動作、需要人接手多少次，以及回報是否正確，會共同決定工作能不能繼續，而不只是一個回應速度。
模型報告與設備終態能對得上，才有談下一步監督試驗的基礎。
延伸閱讀：AGIBOT GO-3 Preview 與 Worken 公布：機器人出貨後，如何算出有用工作？
Dual-Arm Sim 常見問題
進度分可以當成任務成功率嗎？
進度分會給抓取、移動等中途結果成績，完整成功則要滿足全部條件。平均進度接近，不代表兩個系統完成相同數量的任務。
這是 AI 執行真人手術的成績嗎？
這是物理模擬環境中的物件操作。場景與器械採手術室設定，仍不等於病患試驗、實際診療或醫療許可。
通用模型領先，就能單獨控制設備嗎？
榜單來自有限任務與特定控制設定，還需要感測驗收及現場測試。專門機器人模型與導航也尚未納入此次比較，採用判斷應保留這些範圍。
讓完成有證據，才能把進度變成工作
Dual-Arm Sim 揭露的困難，是操作進展與自我回報仍可能脫節。機器人研究團隊可以用它追查卡點，但設備使用者仍需要獨立確認最後結果。
下一步先選一件有限、能驗收的工作，對照模型說法與實際終態。這比只看榜單名次，更容易知道哪一段能力還要補上。
歡迎免費訂閱 AI 郵報，持續追蹤機器人評測、模型能力與部署條件。
