MTT S5000具身智能测试：哪些结果值得看，哪些还不能下结论

对机器人研发团队来说，一张GPU卡能否跑通训练只是起点。具身智能还涉及图像渲染、物理仿真和策略评估，任何一个环节卡住，都可能影响整套研发流程。摩尔线程在2026年9月公布的MTT S5000结果，提供了值得进一步测试的线索，但还不是覆盖这些环节的统一性能基准。411

训练曲线接近，接近的是结果还是速度？

在RLinf框架的WoVR负载中，测试使用248个并行环境，并控制训练方案和随机种子一致。报告称，MTT S5000与一款国际主流GPU的训练曲线逐步相关系数达到r=0.976；两套硬件训练出的策略在LIBERO-Spatial评估中的成功率也实现对齐。相关系数说明两条曲线的变化趋势接近，并不说明完成训练所需的时间相同。410

软件适配同样关系到结果能否持续复现。据相关报告，RLinf已支持摩尔线程的MUSA后端；从0.3版本起，其官方持续集成（CI）流程还会在代码合入主分支前，使用MTT S5000进行自动化检查。这意味着硬件适配进入日常代码验证流程，但不能仅凭这一点推断所有模型和任务都已得到充分验证。4

单步耗时下降26%，比较基准是什么？

摩尔线程报告了三项流水线调整：把图像处理从主机迁至GPU、合并去噪循环中的数值检查，以及将高频执行路径中的Python标量替换为设备端张量。在所测配置下，单步耗时从2.549秒降至1.888秒，降幅约26%；GPU空转率从18.5%降至3.1%。这是同一流水线优化前后的对比，不能读作MTT S5000比另一款GPU快26%。4

公司还称，在GEMM（矩阵乘法）和注意力计算的算子级测试中，S5000性能达到国际主流GPU的1.6至2倍。算子表现是局部指标，不能直接换算成完整训练、仿真或机器人任务的速度优势。4

真机装配达到92%，采购方还要看什么？

在基于π0.5的策略迭代流程和一项双臂机器人装配任务中，报告称真机成功率从约20%提高至92%，精细操作耗时缩短39.5%。这些结果针对特定任务与测试设置，不能当作S5000在各类机器人上的普遍成功率。4

更有用的选型问题是：团队自己的训练、图像渲染、物理仿真和策略评估能否在目标平台上顺畅衔接。摩尔线程描述了覆盖多个阶段的方案，但已公布的数字尚不足以独立证明整条研发流程的吞吐、成本或可靠性。采购前应要求可复现的配置，在目标任务上做重复真机试验，并比较端到端耗时与结果，而不只看训练曲线或单项算子成绩。411