Simate推出首版物理快系统模型Simate-beta，RoboDojo榜单登顶

一句话结论

Simate推出首版通用物理快系统模型Simate-beta，以平均33.95分登顶RoboDojo榜单。

关键要点

• Simate-beta在2026年9月23日更新的RoboDojo榜单中以平均Score 33.95排名第一，对应成功率（SR）为27.96%。
• 该模型参评基础模型未针对RoboDojo榜单进行专门优化，展现了记忆、长程任务、精细操作与任务适应能力。
• Simate公司成立仅三个月，采用AI-native研发体系，包含SiPAI可插拔模型框架、AutoResearch自动拆解执行引擎及自研AI-native Infra基础设施。
• 团队核心成员曾将对标特斯拉（Tesla）FSD水平的一段式端到端智能驾驶模型完成量产落地，创始人张颖为前某一线智驾公司核心技术负责人。
• 公司成立三个月内连续完成多轮数亿元人民币级别融资，AutoResearch科研平台已启动内测并提供千卡算力资源。

背景与事实

Simate公司成立于三个月前，近日推出了其首版通用物理快系统模型Simate-beta。该模型在2026年9月23日更新的RoboDojo榜单中表现突出，以平均Score 33.95的成绩位列第一，对应的成功率（SR）为27.96%。值得注意的是，参与该榜单评测的基础模型并未针对RoboDojo的具体指标进行专门优化，Simate-beta凭借原生能力展示出了良好的记忆功能、长程任务处理能力、精细操作技能以及任务适应能力。RoboDojo榜单的更新时间为2026年9月23日，这是该模型获得广泛认可的重要数据节点。

Simate的研发体系建立在AI-native（AI原生）架构之上，核心组件包括SiPAI、AutoResearch和AI-native Infra。SiPAI是一个可插拔模型框架，能够接入世界模型、视觉-语言-动作模型（VLA）以及视觉-语言模型（VLM）等多种模态。AutoResearch作为自动拆解和执行实验的引擎，负责科研流程的自动化。AI-native Infra则是自研的基础设施，支持并行推进数十条研究路线。公司的训练、推理与评测全流程均接入该自研基础设施，通过高频筛选机制，先使用世界模型和仿真环境进行过滤，随后再进入真机实测阶段，以提高研发效率和结果可靠性。

团队背景强大，核心成员曾将对标特斯拉FSD水平的一段式端到端智能驾驶模型完成量产落地，积累了深厚的自动驾驶与具身智能经验。创始人张颖为前某一线智驾公司核心技术负责人；联合创始人占方能为香港科技大学助理教授、World Mind Lab负责人；季马泽宇为00后青年科学家，加入Simate前是硅谷Assured Robot Intelligence创始成员，该公司后被Meta收购。来自麻省理工学院（MIT）、加州理工学院、清华大学、北京大学、港科大等高校的众多研究者正参与AutoResearch平台的内测。配套的基础设施Sinfra覆盖训练、仿真与推理环节，AutoResearch科研平台官网已上线，网址为https://mate-robot.cn/research/sinfra/，并提供千卡算力资源供研究使用。公司成立三个月内连续完成多轮数亿元人民币级别融资，团队计划于2025年底推出面向复杂任务零样本泛化的阶段性成果。

影响分析

对于中文开发者与从业者而言，Simate-beta在RoboDojo榜单的登顶以及其AI-native研发体系的公开，标志着物理智能（Physical AI）领域从理论探索向工程化落地迈出了关键一步。由于Simate-beta未针对榜单专门优化即可取得第一，这表明其底层通用性较强，对于希望复用该架构或模型能力的研究者具有较高参考价值。AutoResearch平台提供千卡算力资源并启动内测，降低了高校和独立研究者在具身智能前沿实验中的算力门槛。

然而，从产业落地角度看，Simate强调的“AI-native”基础设施和高频筛选机制，可能意味着其技术栈对底层硬件和软件生态的适配要求较高。对于非头部企业或资源有限的团队，直接复刻该体系存在成本壁垒。此外，团队计划在2025年底推出面向复杂任务零样本泛化的阶段性成果，若该目标实现，将直接影响当前具身智能产品在复杂非结构化环境中的部署方案。中文开发者需关注其SiPAI框架是否开源或开放API，这将决定其在行业内的扩散速度。目前Simate的融资轮次多且金额达数亿元人民币级别，显示资本对该技术路线的持续看好，后续技术迭代速度可能快于预期。

适用边界

Simate-beta在RoboDojo榜单登顶的结论主要基于特定评测指标（平均Score 33.95，SR 27.96%），且明确说明参评模型未针对该榜单优化。因此，该模型在未经评测的其他真实场景（如高动态变化环境、极端天气或高密度人机交互场景）中的表现未知，不能简单推断其在所有物理环境中均为最优。此外，AutoResearch平台目前处于内测阶段，仅部分高校研究者参与，普通开发者和企业用户可能无法立即获得同等规模的千卡算力资源支持。该结论不适用于依赖特定硬件封闭生态的部署场景，因为Simate的AI-native Infra为自研体系，其兼容性与非自研硬件环境的适配情况未在来源中详细说明。

孤本观察

Simate将自动驾驶领域的端到端量产经验迁移至具身智能，并以此为基础构建物理快系统模型，这种跨领域技术复用策略是其短期内快速登顶榜单的关键。判断认为，AI-native基础设施的收敛速度快于具身智能算法路线的定型，预示着该赛道竞争焦点正从单点模型能力转向研发基础设施的效率。

来源：量子位