具身智能大考：Claude与GPT机器人对决，谁是真正黑马？

type

status

date

slug

summary

巅峰对局：多模态大模型与专用策略模型的维度博弈

在本次横向对比中，评测平台围绕指令跟随、空间理解、扰动适应和通用操作四个核心维度展开评估。细拆各维度的得分可以发现，不同技术路径的模型展现出了截然不同的能力画像。

在空间理解与指令跟随两个高阶认知维度上，Claude Opus 5.5 与 GPT-6 Astra 展现出了通用大模型的压倒性优势，其综合表现超越了所有专用的策略模型。这说明，基于海量互联网多模态数据预训练的顶级 LLM，在理解人类复杂的自然语言意图、解析场景内三维几何语义关系时，具备极高的常识水平和泛化能力。Claude Opus 5.5 凭借极其微弱的优势登顶通用模型榜首，并在空间拓扑理解和长链条任务规划中展现出极佳的稳定性；而 GPT-6 Astra 则在指令快速对齐和基础扰动适应能力上表现尤为强韧。

然而，一旦进入到底层物理交互的“通用操作”子榜，形势迅速反转。按百分制换算，四款通用多模态模型的通用操作得分仅在 38.79 至 46.70 分之间徘徊，而以 Paimon 为代表的专用具身策略模型却稳稳拿下了 63.20 至 66.13 分的高分。

这一显著断层表明：目前的顶尖多模态模型虽然能够“看懂场景”甚至“想清规划”，但缺乏底层动力学与高频力控的先验积累，导致其在实际下发控制指令时，常常陷入“眼高手低”的窘境。

“脑子会了手不会”：物理交互中的操作断层与实测案例

为什么大模型已经准确理解了人类的 Prompt 和当前物理场景，依然无法完成看似简单的动作？测试中的一系列实际案例直观呈现了这一认知与控制之间的鸿沟。

在典型的“双臂端锅”实验中，当系统仅下达原始指令时，GPT-6 Astra 虽然能锁定锅具位置并靠近，但双夹爪的接入姿态缺乏协同性，导致抓取瞬间受力不均直接脱落。直到研究人员追加了明确的姿态修正与几何交互指导，模型才换用对齐更精准的双手抓法稳稳持锅。这一现象揭示出一个技术现实：现阶段大模型具备强大的被动纠错执行力，却难以在零样本或少样本提示下，自主推断出符合多体动力学稳定的最优接触点。

在更为精细的接触式任务中，这种短板进一步放大： * 在圆形积木入孔任务中，模型经多次姿态摆正尚能勉强入孔；但在手机插线充电任务中，虽然夹爪稳稳拿住了插头，却因为极微小的角度倾斜和缺乏触觉力觉对准，始终无法准确接入充电接口。 * 在极具挑战性的灵巧手叠碗与翻书测试中，大模型可以独立为灵巧手的多达 20 个关节输出旋转角度指令，并不断动态调整腕部姿势，但由于无法精确计算多指协同产生的接触摩擦力和法向力，始终无法形成封闭稳定的抓握力矩，最终导致碗滑落或书本被推翻。

这些失败案例深刻说明，从视觉 token 的生成到高自由度机械关节的连续控制，不仅需要语义推理，更需要精密的空间六自由度（6-DoF）位姿映射与瞬时物理反馈。

闭环系统的基石：执行偏差、空间深度与时序记忆

为了进一步拆解大模型在物理操作中受阻的核心原因，评测团队针对控制系统的输入变量展开了一系列消融实验。实验证明，一个可靠的具身智能控制闭环必须依赖三大支柱：

1. 执行偏差反馈：自适应纠错的前提

2. 深度感知的不可替代性

3. 时序历史记忆：避免陷入“动作死循环”

此外，环境扰动测试更暴露了当前多模态模型的脆性。当加入光照骤变、镜头遮挡及噪点等视觉干扰时，所有参评模型的指令跟随能力均发生剧烈滑坡。例如 GPT-6.1 Sol 在图像质量劣化后得分缩水了 77% 之多；即便是鲁棒性最好的 Claude Opus，也下降了近 20 个百分点。在现实工厂、家庭等非结构化环境中，如何抵御视觉退化，是 LLM 走向物理实体必须攻克的技术硬伤。

跨本体与实机迁移：仿真与真机表现的收敛

从仿真空间走向物理现实，是所有机器人从业者必须直面的挑战。本次评测令人瞩目的技术亮点之一，在于其仿真测试结果与真机部署表现的相关性达到了 89.5%，评测任务的成功率差异被控制在 10% 以内。这一高相关度表明，通过现代物理引擎与高保真传感器仿真，开发者完全有能力在真机实测前，以极低试错成本定位模型的控制死角。

在实际跨本体验证中，接入统一控制架构的大模型已能在包括 ARX、AgileX 以及开源人形机器人 G1、G2 等多种形态各异的底盘和机械臂上，完成垃圾分类抓取、端茶送水、开门通行以及棋子收纳等全身协同（Whole-Body Control）操作。

然而，真机上的物理接触操作仍然困难重重。在 ARX 机械臂的真实接触实验中，针对刚性物体（如积木块、易拉罐）的抓取相对稳定；但一旦面对布料、衣物等非刚性柔性物体（Deformable Objects），模型在执行对折、多段折叠任务时，由于缺乏深度的实时触觉感知与连续变形建模，多次出现抓空、褶皱卡顿等现象。这充分表明，具身智能的下一阶段攻坚战，必然集中在“多模态视触融合”与“柔性动力学适应”上。

行业展望：具身智能时代的软硬件技术分水岭

透过这场 GPT、Claude 与专业具身模型的同台竞技，我们可以清晰地预见具身智能未来的架构范式：

“云端大模型做大脑，边缘策略做小脑”的分层架构已成定局。 通用多模态 LLM 凭借强大的常识和空间语义理解，承担顶层任务拆解、人机交互与全局路径规划；而底层的实时避障、灵巧手力控、毫秒级微操，则更适合交由轻量化、经过高频强化学与模仿学习训练的端到端具身策略模型（如 Paimon 类模型）来完成。

推理成本与延迟决定商业化可行性。 在测评中，像 GPT-6.1 Sol 这类在推理开销与任务表现中取得极佳平衡的模型，为大规模自动化部署提供了现实路径；而动辄数十秒的调用延迟与高昂的 Token 成本，仍是制约高精度大模型接管机械臂核心控制环路的现实瓶颈。

作为连接数字世界与物理世界的桥梁，具身智能正在经历从“能看会说”到“能做会改”的关键蜕变。想要持续跟踪全球最新 AI新闻与大模型前沿技术的落地动态，欢迎关注专业的 AI门户，获取第一手关于 AGI、多模态大模型与前沿具身机器人的深度解析与实操指南。

物理世界的竞技场才刚刚开放。当通用智能模型跨越了“语义理解”与“精密力控”的天然屏障，一个由大模型全天候自主驱动的通用机器人时代，或许距离我们已经不再遥远。