GPT-6-Astra具身能力遭大考！传统基准拿满分，真机频碰壁

编辑｜杜伟

上月发布 GPT-6-Astra 时，OpenAI 称它为「全球智能程度最高且最符合人类意图的模型」。具身社区则是惊讶的发现，VLA vs WAM 的路线之争，被通用大模型用文字模态「降维打击」了，大家不禁想问：

「GPT-6-Astra 的具身能力上限到底在哪？具身社区下一步最值得做的是什么？」

近日，商汤联合大晓机器人、Ropedia、新加坡南洋理工大学和东京大学的研究团队在《Has GPT-6-Astra Achieved Embodied Intelligence?》中，给出了 覆盖 12 项仿真评测、8 个真实机器人平台的系统分析 。

他们还分析了 GPT-6-Astra 与底层机器人控制系统的协作方式，搭建了一套更贴近真实家庭需求的具身评测原型。

技术报告地址：https://www.sensenova.ai/has-gpt-6-astra-achieved-embodied-intelligence

有意思的是，同一个 GPT-6-Astra，在简单解除限制之后，在多项传统具身评测中交出了满分或接近满分的成绩：其中在长程组合操作评测基准 LIBERO-Long++ 上达到 100%，在考察操作鲁棒性和泛化能力的 LIBERO-Pro 上达到 99.3%，人形机器人基准 SIMPLE 上达到 98.8%，RoboDojo 上也可以达到 81.9%。但当这个模型指挥起真实机器人干活，一些日常小事，依然让它犯了难。

「把笔放进笔筒这个对人来说几秒钟就能完成的任务，总耗时 4 个多小时，消耗 55 美元。」

「明明判断鸡蛋煎好了，却没能及时关火，最后把鸡蛋烧焦；打开冰箱放下牛奶后，又转头忙着搬水果，让冰箱门敞开了好几分钟。」

「插入插头的操作，在多款真机交叉验证 11 次，一次都没成功。」

高分与失误放在一起，明显的反差暴露出一个关键问题：有能力规划、观察并纠正动作的通用大模型，距离可靠地干活，还有多远？

报告给出的判断是： GPT-6-Astra 已经在很大程度上跨过了具身能力的门槛，但距离能够实用部署的具身智能仍有相当差距 。实验中暴露出的成本及耗时的问题、那些意想不到的失误，恰好说明接下来的最值得啃的硬骨头在哪里。

值得注意的是，在去年 GPT-5 发布后，相同团队也做过一篇针对其空间智能的评测文章《Has GPT-5 Achieved Spatial Intelligence》，随后就发布了 SenseNova-SI 系列模型。这么看来，这次的评测更像是一次「提前预告」。

从满分到不足三成

成功率差在哪？

当前，机器人操作领域广泛采用经过专门训练的控制策略，以及视觉 - 语言 - 动作模型（VLA）等技术路线。这类模型通常利用真实或仿真的机器人操作数据进行训练，让机器人根据视觉信息和任务指令，执行抓取、移动、放置等动作。

GPT-6-Astra 的出现，为具身智能提供了另一种可能。通用大模型能够结合视觉信息、机器人状态和任务要求，直接生成操作指令，以进行后续执行和调整。它能完成的任务，也开始跨越不同的机器人形态。

为了系统地研究这种能力， 商汤 SenseNova 及其联合研究团队选取了 12 项代表性评测，覆盖桌面操作、灵巧操作、人形机器人移动操作、家庭长程任务和视觉语言导航等五类场景 。评测中，GPT-6-Astra 使用同一套评测思路，在不同环境中读取观察到的信息、生成机器人动作，并根据执行结果继续决策。

成绩确实很突出。除了上文已经提到的 LIBERO-Long++、LIBERO-Pro 和 SIMPLE，在超长程机器人操作基准 LIBERO-Ultra-Long 上为 98.9%。对于更复杂的灵巧操作，GPT-6-Astra 在 DexJoCo 上取得 87.3% 成功率，在 RoboDojo 上达到 81.9%。这说明，GPT-6-Astra 在大多数评测中达到或超过了当时已公开方法的最好成绩。

主题：GPT-6-Astra|具身能力|通用大模型