通用大模型 GPT-6 Astra 在未针对机器人任务专门训练的情况下,接入机械臂即可完成操作任务,这一表现正在具身智能圈引发广泛讨论。在 RoboCurve 的测试中,Astra 执行“将方块放入碗中”任务,20 次尝试成功 19 次;NVIDIA 的 Astranomy 报告显示,在 120 个仿真操作任务、Franka 机械臂、三个摄像头、零样本条件下,Astra 作为 agent 调用工具的成功率达到 74.8%,而该榜单此前最好的专用机器人模型成功率仅为 51%。

NVIDIA 报告中的消融实验进一步揭示了 Astra 的能力来源。同样让模型直接输出动作,Astra 成功率为 72.7%,GPT-6 Sol 为 33.3%,Claude Opus 5.5 为 25.3%。保留模型自身的推理和动作记录比提供更多画面更有效:仅给文字历史时成功率为 87%,仅给画面历史为 56.5%,两者都给达到 100%。告知相机和夹爪的几何位置后,成绩从 19.3% 跃升至 72.7%。在审核模式下,Astra 大约每 7 步介入一次,最常见原因是抓取失败,占 64%。

代价是速度。π0.5 输出一个动作不到 0.05 秒,而 Astra 一次决策需要十几秒。NVIDIA 估算,一个将酸奶放入碗中的任务在现实世界约需 4 分钟,机械臂实际运动仅 5 秒左右,其余时间都在等待模型思考。有行业人士形容,Astra 拿起一个杯子要 40 分钟。

这一表现之所以震动行业,是因为它绕开了机器人领域长期以来的核心难题。传统分层方案中,大模型负责规划,小模型负责执行,但两层接口存在信息损失;VLA(视觉-语言-动作模型)将两者合一,却受限于机器人轨迹数据量比互联网文本少 6 到 7 个数量级,模型参数难以扩大。Astra 则采用类似“将机器人当电脑用”的思路:每一步接收三张相机图和机械臂状态,模型思考后调用工具直接给出夹爪下一步在三维空间中的位置和方向,由机械臂自带的逆运动学换算成关节角执行。每一步是秒级控制“下一个落点”,而非连续动作。

然而,OpenRUA 团队对 RoboDojo 榜单上基于大模型闭环控制的方案提出质疑。他们以“仿真中只能使用真机上也拿得到的信息”为标准重测,发现三个漏洞:一是不限时,RoboDawn 将步数上限改为 10 的 9 次方,其 99 次成功中有 97 次是超时后完成,按原规则成功率从 47.1% 降至 1.0%;二是裁判一直在场,自动检查器替 agent 喊停,加入自主交卷机制后,RoboICL 从 83.2 分掉到 63.5 分;三是在考题上刷技能,HexaShell 在一个任务上练出的技能挪到其他任务上效果有限。

行业观察者 FD 在《Robotics’ New Era After Astra》中判断,机器人行业将走向三层分工:高层规划和大部分中层动作由通用大模型承担,底层快速反射控制仍依赖小而专的本地控制器。单独做机器人模型的公司价值可能被大幅压缩,需证明自己能做通用模型做不到的事。数据需求从“要多少”转向“要什么、怎么配比”,精密装配、触觉、力觉等相机看不到的信息才是稀缺资源。据转述,头部实验室正按百万小时量级采购机器人数据,每家预算约 10 亿美元(该数字无明确来源)。

国内方面,凤凰网报道梁文锋近期密集会见具身创业者,DeepSeek 在考虑是否下场,可能自组团队或投资合作。OpenAI 则被曝在湾区里士满拿下约 20 万平方英尺工业场地用于机器人研发制造,并在 GPT-6 之外单独训练具身基座模型。

综合来看,OpenRUA 挤掉的是测试方法中的水分,但挤完之后 Astra 依然突出。其最大短板是速度,而大模型生成速度每年提升 2 到 7 倍,若提速实现,“云端大模型当大脑、本地 VLA 当小脑”的结构将真正可行,端侧芯片和内存可能成为下一个增长点。