通用大模型要「降维打击」具身智能？首个AA-Robotics榜单来了

具身智能公司耗费心血培育的“机器人大脑”，难道要被 GPT、Claude、Gemini 等通用模型取而代之？

10 月 14 日，知名大模型评测平台 Artificial Analysis 将一批在数学、编程等领域表现卓越的大模型，引入了一场真实的机器人考核。

在其最新发布的 AA-Robotics v0.1 评测中，GPT、Claude、Gemini 等前沿模型需操控真实机械臂，完成倒水、书写、堆叠积木等八项任务，以检验它们的“实操能力”。

结果，这些大模型初试身手便状况百出。一台机械臂耗时十多分钟，终于将几块泡沫积木搭建成一座合格的高塔。然而，指挥它的 GPT-6.1 Sol 在任务完成后仍不停手，继续调整积木，最终导致任务以失败告终。

这只是此次机器人测试中颇具戏剧性的一个片段。

首批结果同样充满反差：GPT-6 Astra 拔得头筹，通用大模型已能通过编程 Agent 操控真实机械臂；但它们完成一项任务平均需要约半小时，比人类基准慢了近两个数量级。

这份成绩单，为机器人行业近期的一场论战提供了新的讨论素材：随着通用大模型日益强大，具身智能企业专门训练的“机器人大脑”，其不可替代的价值究竟还剩多少？

“机器人大脑”，会被通用大模型淘汰吗？

上个月，GPT-6 Astra 操控机械臂绘制金门大桥、抓取积木、模仿人类操作的视频接连刷屏。一台价格约 150 美元的机械臂，在 Astra 的指挥下，竟能依据摄像头画面自主规划动作，一笔一划地画出金门大桥。

更具说服力的实验来自 RoboCurve。在其实际测试中，Astra 控制双机械臂，将红色积木放入碗中，20 次尝试中成功了 19 次。这样的表现，让不少人开始质疑：既然通用大模型已掌握视觉、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时间和资金，从头训练自己的 VLA 模型？有人甚至断言，机器人领域的 OpenAI，可能就是 OpenAI 本身。

但身处具身智能行业的人，并不完全认同这一观点。

9 月 10 日的外滩大会上，自变量机器人创始人王潜谈及这种“降维打击”的说法时，认为目前可能性不大。他的理由是，模型的能力源于数据。编程模型的强大，背后有海量代码数据和成熟的验证体系支撑；而机器人面对的物理世界，同样需要专门的数据、评测、硬件与基础设施，不会因语言模型强大而自动解决。王潜还提到，Astra 并非与机器人数据完全隔离。因此，通用模型能控制机械臂，并不能简单理解为语言能力自然迁移到了物理世界。

破壳机器人创始人许华哲也亲自测试过 Astra。它能识别桌面物品，甚至抓起一根筷子；但一旦要求它用筷子进行更复杂的接触操作，表现便明显下滑。在他看来，语义理解和空间理解的进步令人欣喜，但复杂的物理交互仍是另一道难题。

双方争论的焦点，由此逐渐明朗：通用大模型能否“动手”，已不再是唯一问题；它到底能做到何种程度，能否做到稳定、迅速，才更为关键。

AA-Robotics 恰好提供了一把新标尺。

GPT-6 排名第一，但机器人测试远没那么简单

Artificial Analysis 此前一直追踪大模型的推理、代码能力、速度和价格。这次，它将考场从屏幕搬到了桌面。

每款模型都获得一台 Hiwonder NexArm 机械臂的控制权。这是一台带五个关节和一个夹爪的六轴机械臂，桌面周围和机械臂手腕上共布置四个摄像头。

模型起初只知道机械臂的名称、如何通过 HTTP API 与它通信，以及如何提交任务。它需要自己查看摄像头、理解物体位置、编写并运行程序，让机械臂完成动作。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，不会为当前题目重新训练。这套评测考察的是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，并最终完成真实世界中的操作任务。

首批五款模型的综合成绩已经公布：GPT-6 Astra 获得 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、46.3 分。

不过，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。因此，Astra 虽然总分最高，八道题中拿到满分的是四道；排名第二的 Sol，反而有五道满分。

最简单的两项任务，五个模型全部通过：用夹爪按下红色按钮，以及将一只鳄鱼玩具完整放入指定方框。这些操作已难不倒当今的前沿大模型。

往后，差距迅速拉大。

Astra 能将瓶中的饮料倒入杯子，还能握笔在纸上写出“hello world”，却在测量盒子长宽高的任务中得了零分。Sol 完成了收纳积木、形状匹配和写字，却未能成功倒水。搭积木塔更是让所有模型都没拿到满分：Sol 甚至一度搭出合格的塔，却因后续操作前功尽弃。

这一幕很能说明问题。在电脑中，模型发现答案后只需停止生成；到了物理世界，它还必须判断眼前的物体是否已放稳，任务是否真的完成，以及接下来的动作是否会毁掉成果。

更惊人的反差，还体现在时间和成本上。

五款模型中，除 Gemini 4 Argon 平均耗时约 52 分钟外，另外四款完成一项任务大约都需要半小时。而 Artificial Analysis 给出的人工直接操作基准，平均只需约 20 秒。按下红色按钮这样的小事，Astra 花了 2.2 分钟；Claude Fable 5.1 甚至花了约 10 分钟理解场景、规划动作，才开始第一次操作。

成本也不低。Astra 平均每项任务的模型调用成本达 16.36 美元，Sol 只需 1.93 美元，分数却仅相差 4.8 分。对于未来要在家庭、仓库中连续工作的机器人来说，能完成一次，和能以合理成本每天完成上百次，是两回事。

能想明白下一步，不等于真的做得好

为什么只是移动一只机械臂，大模型就要思考这么久？

Artificial Analysis 拆解了整个任务过程。以 Astra 为例，它约 20% 的时间用于理解环境和机械臂，约 59% 用于规划动作，实际机械臂运动只占约 13%。Sol 的情况类似：61% 的时间在规划，机械臂运动也只有约 13%。

它们看起来像一个第一次走进实验室的人：先观察机械臂如何运动，再编写程序、试探位置、检查画面，确认无误后才发出下一道命令。动作本身往往只需几秒钟，前后的思考却可能持续数分钟。

慢还不是全部问题。

在六项涉及抓取的任务中，Astra 的抓取成功比例为 45%，Claude Fable 5.1 为 44%，而 Sol 只有 28%。模型明明已找到目标，夹爪却可能闭合在物体旁边；有时刚抓起来，瓶子又从指间滑落。

官方整理的失败片段中，还有不少令人印象深刻的场景：机械臂为调整鳄鱼玩具的位置，反而将已放入框中的玩具推了出去；抓取瓶子时手腕碰到托盘，使瓶子越来越难够到；倒水快结束时未考虑水流位置变化，最后一部分饮料洒到了杯外。

这些错误很难靠“再多思考一会儿”完全解决。真实世界中的物体会滑动、倾倒、变形，手指和物体接触时还会产生摩擦与碰撞。机器人需要根据运动和接触反馈及时纠错，而不是每动一下都等待大模型重新规划。

这也是专业具身模型仍有发挥空间的地方。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换为连续、稳定的动作。

当然，这份榜单尚未将通用 Agent 与专用 VLA 放在同一条件下直接比较。八道桌面题目也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。

但它至少让争论前进了一步：通用大模型能完成真实操作，已有成体系的证据；它们距离高效、可靠地执行真实工作还有多远，也第一次在这组任务中被具体量化。

AA-Robotics v0.1 的首批名单中，尚未出现中国模型。

那么，下一批是否会包括 Qwen、Kimi、GLM 或 DeepSeek？如果放在同样的机械臂和任务中，国产模型能否以更低成本追上甚至超越这些国际头部模型？

这或许比单纯争夺一张榜单的名次更值得期待。机器人行业下一阶段要比较的，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，以及成功之后，知道何时该停手。

参考链接：

https://artificialanalysis.ai/articles/aa-robotics

https://x.com/ArtificialAnlys/status/2110500262628806787

本文来自微信公众号 “机器之心”（ID：almosthuman2014），作者：关注具身的，36氪经授权发布。