通用大模型要「降维打击」具身智能？首个AA-Robotics榜单来了 - 开云集团

10月14日，知名大模型评估平台Artificial Analysis首次将GPT、Claude、Gemini等通用大模型引入真实机器人操作测试，发布了AA-Robotics v0.1榜单。这些模型需控制真实机械臂，完成倒水、写字、搭积木等八项任务，比拼“动手能力”。

测试中，大模型闹出不少笑话。一台机械臂花费十几分钟搭成泡沫积木塔，但指挥它的GPT-6.1 Sol在任务完成后仍不断调整积木，最终导致任务失败。

首批结果反差明显：GPT-6 Astra排名第一，通用大模型已能通过编程Agent操控真实机械臂，但完成一项任务平均需约半小时，比人类基线慢了近两个数量级。

这一成绩单为机器人行业近期争论提供了新依据：随着通用大模型能力增强，具身智能公司专门训练的“机器人大脑”是否还有不可替代的价值？

“机器人大脑”会被通用大模型取代吗？

上个月，GPT-6 Astra控制机械臂画金门大桥、抓取积木的视频刷屏。一台约150美元的机械臂在Astra控制下，能根据摄像头画面自主规划动作。RoboCurve实机测试中，Astra控制双机械臂将红色积木放入碗里，20次成功19次。这引发疑问：既然通用大模型已具备视觉、空间、推理能力，还能编写控制代码，机器人公司为何还要投入大量资源训练自己的VLA模型？有人甚至认为，机器人领域的OpenAI可能就是OpenAI本身。

但具身智能行业人士并不完全认同。9月10日外滩大会上，自变量机器人创始人王潜表示，这种“降维打击”可能性不大，因为模型能力依赖数据。编程模型变强得益于大量代码数据和成熟验证体系，而机器人面对的物理世界需要专门的数据、评测、硬件与基础设施。他还提到，Astra并非与机器人数据完全绝缘，因此通用模型能控制机械臂，不能简单理解为语言能力自然迁移到物理世界。

破壳机器人创始人许华哲试过Astra后发现，它能识别桌面物品甚至抓起筷子，但要求用筷子进行复杂接触操作时表现明显下降。他认为，语义理解和空间理解的进步令人惊喜，但复杂的物理交互仍是另一道题。

争论焦点逐渐清晰：通用大模型能否“动手”已不是唯一问题，它能做到多少、是否稳定快速，才更关键。

AA-Robotics恰好提供了一把新尺子。

GPT-6排第一，但机器人考试远不简单

Artificial Analysis此前追踪大模型推理、代码能力、速度和价格，这次将考场搬到桌面。每款模型控制一台Hiwonder NexArm机械臂（六轴，含五个关节和一个夹爪），桌面和手腕处共部署四个摄像头。

模型仅知道机械臂名称、如何通过HTTP API通信及如何提交任务。它需自己观察摄像头、理解物体位置、编写并运行程序，使机械臂完成动作。GPT模型运行在Codex中，Claude使用Claude Code，Gemini使用Antigravity。八项测试均为零样本尝试，不针对题目重新训练，考察通用大模型如何借助编程Agent和机器人控制接口，理解环境、规划动作并完成真实操作。

首批五款模型综合成绩：GPT-6 Astra得69.4分，GPT-6.1 Sol为64.6分，Gemini 4 Argon为55.3分，Claude Opus 5.5和Claude Fable 5.1分别为48.8分和46.3分。

分数并非成功率。每道题满分100，未完全完成也可能获得过程分。Astra总分最高，但八道题中四道满分；排第二的Sol反而有五道满分。

最简单的两项任务——用夹爪按下红色按钮、将鳄鱼玩具放入指定方框——五款模型全部完成。

再往后，差距迅速拉开。 Astra能倒水、写字，但在测量盒子长宽高任务中得零分。Sol完成收纳积木、形状匹配和写字，却未能倒好水。搭积木塔让所有模型未获满分：Sol曾搭出合格塔，但因后续操作前功尽弃。

这暴露了核心问题：在电脑中，模型发现答案后只需停止生成；在物理世界，它还需判断物体是否放稳、任务是否完成，以及后续动作是否破坏成果。

时间和成本反差更大。 五款模型中，除Gemini 4 Argon平均耗时约52分钟，其他四款完成一项任务约需半小时。而人工基线平均只需约20秒。按红色按钮，Astra花了2.2分钟；Claude Fable 5.1甚至花约10分钟理解场景才开始操作。

成本方面，Astra平均每项任务模型调用成本达16.36美元，Sol仅需1.93美元，分数却仅差4.8分。对需在家庭、仓库连续工作的机器人来说，能完成一次与以合理成本每天完成上百次是两回事。

能想明白下一步，不等于做得好

为何移动一只机械臂，大模型要思考这么久？Artificial Analysis拆解任务过程：以Astra为例，约20%时间用于理解环境，约59%用于规划动作，实际机械臂运动仅占约13%。Sol类似：61%时间规划，机械臂运动约13%。它们像初次进实验室的人，先观察再写程序、试探位置、检查画面，动作本身只需几秒，思考却持续数分钟。

慢不是全部问题。 在六项抓取任务中，Astra抓取成功比例为45%，Claude Fable 5.1为44%，Sol仅28%。模型找到目标后，夹爪可能闭合在物体旁，或刚抓起便滑落。失败片段中，机械臂调整鳄鱼玩具时将其推出框外；抓取瓶子时手腕碰到托盘；倒水时未考虑水流位置变化，导致饮料洒出。

这些错误难以通过“再想一会儿”解决。真实世界中物体滑动、倾倒、变形，手指接触时产生摩擦与碰撞。机器人需根据运动和接触反馈及时纠错，而非每动一下等待大模型重新规划。VLA、底层运动策略和控制器长期处理的，正是如何将视觉和任务目标快速转化为连续、稳定动作。

当然，榜单未将通用Agent与专用VLA直接比较。八道桌面题目无法代表全部机器人任务，更不用说双手协作、柔性物体操作和长时间自主工作。但它让争论前进了一步：通用大模型能完成真实操作已有证据；它们距离高效、可靠执行真实工作还有多远，也首次被具体量化。

AA-Robotics v0.1首批名单中尚无中国模型。 下一批是否会出现Qwen、Kimi、GLM或DeepSeek？在相同机械臂和任务中，国产模型能否以更低成本追上甚至超越国际头部模型？这比争夺榜单名次更值得期待。机器人行业下一阶段比的，已不只是“谁能让机械臂动起来”，还有谁能让它动作快一点、抓得准一点，以及成功后知道何时该停手。