隨着通用型機器人策略模型——尤其是視覺語言行動（VLA）模型——開始進入真實物理世界部署，評估機器人操作策略變得越來越關鍵。但當前以真實環境為主的評測範式仍然高度依賴人工：需要反覆執行硬件試驗、手動重置場景、由操作員持續盯守；不同輪次之間的結果波動可能讓同一策略獲得不同排名；最終統計往往以成功/失敗二元指標為核心，難以反映執行動作是否流暢、合理。相比之下，人類觀察機器人時，會通過一段完整行為比較不同策略的表現，而不是隻看最終狀態。
針對這個問題，Yidi Wang 等人在 2026 年 9 月 3 日提交至 arXiv 的論文（編號 2609.03276，cs.RO）中提出 R2S-Eval 評估流程。該流程由兩個關鍵部分構成。第一部分是 real-to-sim（真實到仿真）校準：在按真實評測環境建立並校準過的仿真器中生成 rollout 視頻。與傳統方式相比，研究者不必在每輪比較中都操作實體機器人，而可以在與真實場景對標的模擬環境裏先行採集行為樣本，從而降低硬件重複操作和人工干預成本。第二部分是視覺語言模型（VLM）評估器：將 rollout 視頻交給 VLM，要求 VLM 判斷執行的完整軌跡質量，輸出成對偏好比較；之後將多組成對偏好彙總為統一策略排名。作者還提出了配套驗證協議，用來確認整個評估流程是否能夠得到經過驗證的結論，並避開傳統真實評估中容易出現的不穩定因素。
實驗在仿真與真實兩類環境中展開。作者報告，R2S-Eval 能產生可靠、穩定的策略排名，與人類偏好具有一致性，同時顯著減少重複硬件操作次數。更重要的是，基於偏好的質量判斷能夠捕捉到二元成功標籤無法體現的差異——例如接近目標過程中路徑是否合理、動作是否存在多餘抖動、任務執行順序是否自然等。作者認為，R2S-Eval 的意義在於將機器人評估從手工計數成功率，推進到自動化、統計穩定並關心行為質量的評價範式。
該論文的作者列表包含 Yidi Wang 及其六位合著者；研究歸屬 Robotics（cs.RO）子類。arXiv 網址為 https://arxiv.org/abs/2609.03276，DOI 為 10.48550/arXiv.2609.03276。論文項目主頁位於 r2s-eval.github.io，可查看代碼、示例和後續更新。