操作

Q0-Preview的核心观点是：确定每个操作阶段的接触位置与接触姿态。

GPT6Astra是前沿大模型投向具身领域的一声惊雷，其时外界纷纷猜测GPT6Astra的训练数据添加了非常多的具身EGO数据，因而带来了空间理解和具身操作能力的跃迁。

如何在保持操作能力的同时，减少冗余推理与工具调用，提高决策效率，是具身Agent必须解决的问题。

更基础的问题是：大模型的具身操作能力究竟来源于哪里？

然而，Q0-Preview基于Opus5.5的实践，促使我们进一步思考：具身数据、代码生成、工具调用乃至三维生成等因素，到底是谁对大模型物理操作能力产生了突出贡献？

Q0-Preview没有沿用VLA或WAM技术范式，而是采用Agent路线，探索如何发挥前沿多模态大模型的任务规划、空间感知、记忆反馈、工具调用等复合能力，自主实现复杂物理操作任务。