GPT-6 Astra混合架构在具身智能仿真测评中大幅领先

2026-09-17 12:33 18 阅读

混合架构拉开性能差距

最近，一份匿名发布在 GitHub 上的仿真测评报告在具身智能圈引发广泛关注。报告显示，采用 GPT-6 Astra 与 π₀.₅ 混合架构的方案在综合评分上达到 62.6 分，而第二名仅为 38.26 分——两者相差超过 64%。这种量级的差距已经不是靠微调或工程优化能解释的，更像是架构层面的代际差异。

值得注意的是，这项研究并没有让 GPT-6 Astra 直接输出机械臂控制指令。它做了一件更聪明的事：让 Astra 负责语义层面的判断与修正，而由 π₀.₅ 提供物理空间中的动作先验和交互能力。两者形成互补，一个管“想什么”，一个管“怎么做”。

银河通用团队对 Astra 的深度评测显示，该模型在 System 2 类型的通用推理能力上取得明显突破。虽然其生成的轨迹质量不高、实时性差，但能在未见过的机器人形态和任务上实现高成功率，并具备较强的错误恢复能力。这让人联想到 ChatGPT 在语言领域的跃迁——当模型参数规模达到数万亿级别，通用性似乎真的出现了质变。

测评方法：两种闭环控制架构对比

这份报告由银河通用创始人兼 CTO 王鹤教授的博士生主导，采用严格对齐的闭环控制实验设计。研究聚焦于仿真环境下的双臂操作任务，对比了两种架构：

Direct 模式：GPT-6 Astra 直接接收三路相机画面和机器人本体状态，输出双臂末端位姿及夹爪开合指令，每次执行 1 到 5 个控制步。

混合模式：每个决策时刻，π₀.₅ 先生成 50 步候选动作序列。Astra 同时看到画面、执行历史以及这些候选轨迹，然后做出选择——要么沿用 π₀.₅ 的前 1 到 15 步，要么自己生成 1 到 5 步的修正指令。执行完这一段后，系统重新观察环境，进入下一轮决策。

这个思路并不新鲜。报告作者也承认，“候选动作挑选”的 TopK 策略在业内早有讨论。但此前没人能跑出如此显著的性能差异。最终，混合模式以 48% 的成功率和 62.60 的平均分大幅领先，比第二名高出 64%。

RoboDojo：混合架构大幅提升复杂任务成功率

研究首先在 RoboDojo 平台上测试了 10 类复杂操作任务，包括整理桌面、按语言分类物体、排序数字、装箱、搭塔、麻将杠牌、叠衣服和瓶子入桶等。每类任务重复 5 次，共 50 次实验。

结果对比鲜明：

GPT-6 Astra Direct：成功 13 次（26%），平均分 37.81
π₀.₅ + Astra 混合：成功 24 次（48%），平均分 62.60

更关键的是，Astra 在整个执行过程中只修改了 14.4% 的控制步骤。这意味着绝大多数动作仍由 π₀.₅ 完成，Astra 仅在关键节点介入，负责理解任务目标、判断当前状态，并决定是否需要修正。

这说明两类模型确实互补。Astra 擅长语义理解、视觉识别、空间关系推理和任务规划。在“物体分类”任务中，Astra Direct 甚至拿到满分；面对抓取失败或环境变化，它还能重新观察并调整策略。

但在需要精细接触的任务上，大模型的短板立刻暴露。例如“搭塔”任务，Astra Direct 平均仅得 12 分；“麻将杠牌”更是得分为 0——它知道木块该放哪儿，却无法稳定控制落点、摩擦和碰撞。

引入 π₀.₅ 后，情况大为改观：“搭塔”得分升至 64，“麻将杠牌”提高到 40，“叠衣服”和“瓶子入桶”也从部分成功变为全部成功。这清晰地表明：对物理世界的理解（认知）

RoboLab：零样本泛化能力惊人

RoboLab 实验进一步验证了 Astra 在语义密集型任务上的优势。团队选取了 10 类任务，如将方块放入容器、在杂物中找南瓜、按顺序堆叠积木、调整杯子朝向等，同样每类测试 5 次。

结果令人惊讶：

Astra Direct：成功 49/50（98%）
Astra + π₀.₅：成功 46/50（92%）
π₀.₅ 单独：仅 18/50（36%）

Astra 没有针对这些任务进行任何微调，仅凭当前画面、机器人状态和自然语言指令，就能持续判断下一步操作。多个任务实现 5 次全成功，唯一失败的是“大号葡萄干盒放入容器”，5 次完成 4 次。

这展示了强大的零样本泛化能力：模型能识别目标、理解空间关系、将语言转化为动作，并在环境变化后动态调整策略。

不过报告也提醒，这组数据并非严格复现完整 RoboLab 排行榜。实验仅选了 10 个任务，且部分 Astra 运行包含授权重试。因此 98% 更应视为能力上限的参考，而非同条件下的绝对排名。

Astra 强在“发现哪里不对”

回到 RoboDojo 的详细数据，能看出 Astra 真正的优势所在。

在高度依赖语言和视觉的任务中，它表现极佳：“物体分类”100 分，“按语言分类”平均 60 分，“排出最大数字”得 57 分。这些正是大模型的舒适区。

更有趣的是，实验中出现了许多传统机器人策略很少展示的行为：

发现抓取姿态不理想后，主动改变接近方式
物体看似摆好，但重新观察后发现任务未完成，继续调整
装箱过程中识别出箱子后方还有遗漏物体
原计划受阻时，根据新视觉反馈重新规划

在数字摆放任务中，模型甚至能在运动受阻后理解机械臂的控制反馈，调整动作并继续执行。这说明 Astra 并非机械执行预设轨迹，而是形成了“观察—决策—执行—再观察”的闭环。

有时它还会尝试训练数据中未必出现的策略。比如在“瓶子入桶”任务中，Astra Direct 曾试图不逐个抓取，而是用机械臂将瓶子扫向桶内。虽然最终失败，但展示了模型能根据目标自主探索新路径。

物理交互仍是瓶颈

然而，报告也坦承 Astra 的局限。

在“搭塔”和“麻将杠牌”这类任务中，它几乎完全失效。原因在于：理解目标不等于能稳定完成动作。模型可能知道木块该放哪，却无法保证放下时不倒塌；知道物体要进容器，也可能因夹爪与边缘碰撞而失败。

当前控制采用分段执行，模型通常要等一段动作结束后才能重新观察。因此执行中发生的滑落、偏移等问题，往往要到下一轮才被发现。

这正是 π₀.₅ 的价值所在。它通过大量机器人交互数据训练，形成了可靠的运动先验。两者结合后，原本 Astra 难以完成的任务显著改善。

研究还指出，Astra Direct 会提出一些“听起来合理但实际不稳定”的方案，比如单手搭塔、用扫动代替抓取等。这些零样本行为虽有创意，却因缺乏成熟的抓取姿态、支撑判断或释放时机控制，难以稳定复现。提出可行方案与稳定执行方案，是两个不同层次的能力。

成本与现实差距

报告强调，当前方案离实际部署仍有不小距离。

首先是推理成本。RoboDojo 实验中，混合架构累计消耗约 6.25 亿 Token，而 Astra Direct 超过 11.3 亿 Token。大模型需要反复读取视觉和历史上下文，进行长链推理，这与机器人所需的低延迟、高频控制存在天然矛盾。

其次，所有实验都在仿真环境中进行。真实世界还有相机噪声、机械误差、通信延迟、摩擦力变化和安全约束等挑战。目前的结果更像是一次“能力边界测试”——在不限制 Token 和时间的前提下，看看大模型能把机器人控制推到什么程度。

两条能力线：认知泛化 vs 物理交互

综合来看，报告得出两个关键结论。

第一，大规模训练带来的泛化能力正在具身任务中显现价值。Astra 在语义理解、视觉感知和任务规划等“认知层”大幅抬高了端到端模型的能力上限。RoboLab 中 49/50 的成绩说明，通用模型通过预训练获得的能力，确实能迁移到机器人决策环节。这验证了 Scaling Law 正在向具身智能延伸。

第二，再强的认知泛化也无法自动解决精细物理操作问题。在依赖接触稳定性的任务中，Astra Direct 几乎失效。而 π₀.₅ 提供的动作先验，仍是不可替代的。但反过来，π₀.₅ 自身泛化能力有限——在 RoboLab 中单独使用仅 36% 成功率，远低于与 Astra 组合后的 92%。

因此，最优路径或许是：通用模型拓展认知边界，具身模型夯实物理交互基础。两者协同，才能覆盖从“理解任务”到“稳定执行”的完整链条。