论文题目：DexHoldem: An Agentic Robotics Benchmark for Dexterous Manipulation in Texas Hold’em
作者：Feng Chen、Tianzhe Chu、Li Sun、Pei Zhou、Zhuxiu Xu、Shenghua Gao、Yuexiang Zhai、Yanchao Yang、Yi Ma
参与团队：香港大学、忆生科技
论文链接：arxiv.org/abs/2605.18727
项目主页：dexholdem.github.io/Dexholdem/
在德州扑克中打出一枚筹码，需要机器人看准目标、控制手指，还要避免碰乱旁边的牌和筹码。但要连续完成一场对局，每个动作留下的桌面状态，又会成为下一步感知与决策的起点。
过去的具身智能评测往往各考一段：有的只在仿真里跑，有的用夹爪做粗操作，机器人看懂局面—动手—别搞乱桌面的完整能力，一直没人放在同一张桌子上考。香港大学与忆生科技参与的 DexHoldem 研究，将这些环节放进同一张真实德州扑克牌桌：既评测灵巧手的执行能力，也检验智能体的状态理解与闭环运行。该工作已获 NeurIPS 2026 Workshop 接收。
一张牌桌上的三层评测
DexHoldem 提供 1,470 条成功的遥操作演示，覆盖 14 项底层操作原语；另设 36 道真实场景感知问题，并用 33 局有效运行检验完整系统。动作、感知和系统表现因此有了各自的评价依据，也能在同一物理环境中相互对照。
实验平台由 UR10e 机械臂和 Shadow 灵巧手组成。策略模型通过输入桌面俯视、第三人称、腕部三视角图像及本体状态，输出 30 维关节位置目标；智能体另用一台专用桌面相机观察局面。
14 项原语包括左右拾牌、左右扣放、左右亮牌，以及四种面额筹码的推入和拉回。每项收集 105 条演示，其中 100 条用于训练、5 条用于验证。一张扑克牌只有约 0.3 毫米厚和密集摆放的筹码：捏起它、看清牌面、放回原位，还不能碰乱旁边密集摆放的筹码，为指令理解与多指接触控制提供了具体考题。
动作完成还需检验是否会破坏场景
一次推筹码，目标筹码到位了，旁边一摞筹码却被带倒——这算成功吗？DexHoldem 的判断是：分别算“任务完成”和“场景保持” 的四种结局：形成完成且保持、完成但扰动、失败但保持、失败且扰动四种组合。
任务完成率 TCR 统计所有完成动作；场景保持成功率 SPSR 则要求完成目标的同时，终止场景满足非目标物体位置、重叠和区域等规则。目标物体按要求移动是允许的，评价关注的是动作带来的额外扰动。
π₀.₅ 的 TCR 为 61.2%，SPSR 为 47.5%；π₀ 的 SPSR 同为 47.5%。排名第一的 π₀.₅有 11 项评测虽完成目标，却未满足场景保持要求——大约每 5 次“成功”动作里，就有 1 次是以弄乱桌面为代价。这让一个容易被单一成功率隐藏的问题变得可见。
这些策略共享同一套演示预算、真机评测流程和评分标准，同时保留各自的输入编码器与适配方式。
比完模型，还有一个更根本的问题：数据够不够用，预训练又能帮多少？ 论文还以 RDT 比较预训练与随机初始化的策略：每项原语使用 10、20、50、100 条训练演示时，预训练使验证集动作预测损失分别降低 1.2%、9.0%、10.7%、11.3%。
这一离线诊断为数据与初始化的作用提供了线索，真机收益仍需用执行评测检验，换句话说，夹爪上预训练出来的经验，没能帮灵巧手“省数据”——想把灵巧操作练好，数据量本身才是硬约束。当然这只是离线指标，真机收益仍需执行评测检验。
目前的基模还不足以理解整个局面
灵巧手准备行动之前，系统得先像牌手一样读懂牌桌：当前处于哪个阶段、轮到谁、公共牌是什么，双方各下了多少筹码、双方筹码还有多少和最后结果是谁赢了。DexHoldem 将这些信息组织为八项感知子能力，在 36 道真实部署场景题上测试 8 种模型与运行框架组合。
衡量标准有两个：Overall 要求一道题的所有适用评分字段同时正确；Avg 则是八项子能力准确率的无权平均。前者更严格：能够显示局部识别能力组合到一起时，还剩下多少可靠性。
Opus 5.5 的 Overall 为 49.1%，Avg 为 80.6%；GPT 6 Astra 分别为 48.1% 和 80.2%。有意思的是，两个领先配置分属 Claude 和 GPT 两条技术路线，成绩却几乎打平。更鲜明的现象是：单项平均分已达到约八成，严格整题正确率仍不到一半。
不同信息的难度也不一致。GPT 6 Astra 在当前下注筹码和对手筹码库存上分别达到 93.8% 与 100.0%；但它与 Opus 5.5 的公共牌准确率都只有 20.5%。公共牌项的最高结果为 GPT 5.5 的 61.5%。因此，定位具体字段的弱点，比只看一个总分更能指导改进。
这一基准衡量的是“给定历史上下文之后的当前状态解析”：部分题目提供已标注的历史状态作为上下文，另有 12 道题不提供历史。它与系统自主连续跟踪的表现，需要分别观察。
从一步执行走向持续交互
在 DexHoldem 里，机器人看一张手牌就要分三步：先拾牌，识别并记下牌面，再把牌扣放回桌面。整场对局就是由这样一个个高层动作串起来的——系统循环运行“观察、解析状态、路由、执行、再次观察”，每个高层动作还会进一步展开成若干底层原语。
这些杂事大多不需要“动脑子”：规则化路由处理等待、动作验证、多步操作续行与恢复；只有出现多个合法高层动作之间选择时，才调用主智能体做决策。原语长时间停滞且场景完整时，系统可以重试；场景被破坏时，则升级请求人工帮助。
系统实验固定使用 GPT 5.5 作为感知器与主智能体、π₀ 作为底层策略。33 局有效测试中，4 局推进到牌局结果，完成率为 12.1%；其中 3 局没有人工求助，只有 1 局既没有重试，也没有人工求助。
实际派发的 34 次重试中，12 次确认完成了被重试的原语，比例为 35.3%。四局完整测试中的三局，曾借助重试摆脱执行停滞。这个结果呈现了恢复机制在真实轨迹中的作用，也显示连续交互仍有明显的可靠性瓶颈。
这个“一次重试”的细节值得多看一眼：恢复机制确实在真实轨迹中起了作用，但它也揭示了闭环的可靠性瓶颈——论文的结论是，连续对局的运行时间主要被反复等待、验证和续行占据，而不是被高难度的决策占据。哪怕每个组件在孤立评测中都有中等偏上的成功率，组合进闭环之后，感知与执行的错误仍会在几十次状态迭代中层层累积。
DexHoldem 的贡献，是把灵巧动作、结构化感知与闭环运行放到可逐层检查的共同场景中。它评测的不止是具身操作能力，也包含具身智能体的感知，判断和决策能力。一张牌桌上的三层考试，目前没有任何一层拿到高分——你觉得瓶颈会先在哪一层被突破？欢迎留言讨论。
-END-
点击下方卡片，关注【Xbotics具身智能实验室】
你想要的这里都有~~
Ask Me Anything｜提问箱
对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。
怎么问：在评论区留言，或私信公众号
我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。
提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。
一起把问题变成知识，推动社区进步 🚀
