通用大模型降维打击具身智能？首个机械臂榜单深度解析

type

status

date

slug

summary

AA-Robotics首期战报：通用大模型的真实动手能力

在本次基准测试中，测评机构选用了一台配备五个关节与一个夹爪的 Hiwonder NexArm 六轴机械臂，周围配置了多个固定视角与机械臂手腕机载摄像头。测试规则极为严苛：模型在零样本（Zero-shot）状态下，仅通过 API 文档了解机械臂通信接口，随后必须完全依靠视觉感知、代码生成与多轮推理自主探索并执行任务。

首期参评的五款模型涵盖了当前国际头部的代表性大模型：

GPT 系列领跑全场：GPT-6 Astra 斩获综合得分 69.4 分，位列第一；GPT-6.1 Sol 紧随其后获得 64.6 分，在特定高精度任务中甚至斩获了更多满分。

Gemini 与 Claude 表现各异：Gemini 4 Argon 获得 55.3 分，而 Claude Opus 5.5 和 Claude Fable 5.1 分别取得 48.8 分和 46.3 分的成绩。

在基础操作上，所有参评模型均顺利通关，例如识别并按下红色按钮、抓取玩具放入指定区域等，这证明现代大模型对空间拓扑与基础语义的理解已达到可用水准。但在写字、倒水、测量物体尺寸以及搭积木等高难度物理交互任务中，模型之间的差距被迅速拉开。

繁荣表象下的巨大落差：速度、成本与物理鲁棒性

尽管评测证实通用大模型已具备利用代码驱动机械臂的“动手”能力，但将实测数据置于产业化视角下考量时，暴露出的断层令人深思：

1. 惊人的时间延迟与效率低下 在真实工业或家庭场景中，人类完成按按钮或简单抓取只需几秒钟（测试基准平均约为 20 秒）。然而，通用大模型完成单项任务平均需要长达半小时左右。测试拆解显示，模型将近 80% 的时间耗费在环境多模态理解与动作规划上，实际让机械臂运动的时间仅占约 13%。

2. 高昂的单次操作经济成本 高推理能力的代价是巨大的 Token 消耗。例如排名第一的 Astra 单次任务调用成本高达十多美元。对于需要日均成千上万次稳定作业的机器人而言，这在经济层面上目前完全不具备规模落地的可行性。

3. 缺乏物理常识闭环与实时力控反馈 在测试搭积木时，GPT-6.1 Sol 明明已经搭建成功，却因无法准确感知积木稳定状态而持续执行冗余调整，最终导致塔身倒塌。此外，面对滑移、碰撞摩擦及微小的执行器误差，模型平均抓取成功率普遍低于 50%。真实物理世界的非线性反馈，无法简单依靠大模型在远端“多思考几分钟”来弥补。

通用模型与专用具身智能：替代还是分层共生？

很多关注人工智能与机器人发展的开发者曾提出疑问：如果通用的 GPT 或 Claude 持续进化，机器人公司从零训练的视觉-语言-动作（VLA）模型是否会失去意义？

从本次评测与业内专家的反馈来看，“降维打击”的论调显然低估了物理世界的复杂性：

数据来源的根本差异：通用大模型强大因其吞吐了海量互联网代码与文本，而物理世界的触觉反馈、动力学控制与高频空间姿态数据极度稀缺且高度垂直。

高层决策与底层控制的解耦：通用大模型的优势在于高维语义理解、宏观任务分解与逻辑规划（Task Planning）；而具身智能专用底座的价值在于毫秒级的端到端运动控制策略（Policy Control）以及与多传感器融合的实时避障抗扰能力。

未来的机器人智能化架构更可能走向“分层共存”：上层由具备强推理能力的通用大模型负责理解人类模糊指令与环境场景，下层则由轻量化、高频响应的专用具身 VLA 模型处理微观动作输出。

国产大模型的物理世界演进展望

AA-Robotics 的出现不仅是一面镜子，为整个具身智能与大模型交叉领域提供了一套可量化的物理世界测试基准，也拉开了软件智能向物理空间渗透的新序幕。

随着各类国产大模型的持续演进，未来在这一榜单上极有可能看到更多本土模型的实机表现。对于广大开发者和技术团队而言，密切跟踪大模型底层能力的演进、掌握精准高效的提示词设计方法，探索 LLM 与硬件结合的落地路径，将是捕捉下一阶段AI变现机遇的核心竞争力。

结语

AA-Robotics 评测向行业揭示了一个关键事实：能“想明白”步骤，并不等于能“做得好”动作。从屏幕内的字符生成到物理世界的稳健抓取，通用人工智能与现实物理交互之间依然横亘着巨大鸿沟。

大模型并未彻底颠覆具身智能，而是为具身智能注入了更聪明的高层中枢。想要了解更多关于AGI、具身智能前沿测评与行业最新AI日报，欢迎访问专业AI门户，持续探索人工智能驱动的未来变革。