小鹏联合北大港大发布GroundingPI，感知基准跑分超GPT-6 Astra

11 月 4 日，小鹏集团与北京大学、香港大学等高校研究团队共同发布了具身感知基座模型研究成果 GroundingPI。

按照官方说法，这项研究走的是“感知优先”路线。模型参数规模约 40 亿，在 34 项公开感知基准的综合评测里排名第一；机器人仿真任务中，它的数据处理效率更高，场景泛化能力也更强。

研究团队把 GroundingPI 和 OpenAI 的前沿模型 GPT-6 Astra 放在同一套 34 项感知基准上做了对比。11 类能力等权平均后，GroundingPI 得分 73.68，Astra 得分 71.54。

在 GroundingPI 看来，具身智能首先要能精准感知自身和周边物体处在什么空间位置，感知表征对物理 AI 来说很关键。模型如果定位不准目标在画面中的位置，动作知识学得再多也落不了地。

正是基于这个判断，GroundingPI 训练时没有使用带关节动作标签的机器人数据，用的全是没有动作标签的纯感知数据。这些数据覆盖 11 类感知能力，包括通用检测、密集小目标、指代定位、文字识别、文档版面、界面元素、机器人空间定位等，目的是让模型先弄明白“物体是什么、在画面的哪个位置”。

比如让它找“右边那个杯子的把手”，它得用点或边界框把杯子和把手的具体位置标出来。只回答“图里有杯子”不够，语言里说的目标必须落到画面中的具体区域。

项目名字也由此而来：Grounding 指的就是视觉定位这项核心感知能力，PI 则是 Physical Intelligence（物理智能）的缩写。

官方表示，这项研究还处在科研原型阶段，但实验设计本身已经点明了在具身领域的落地方向。目前的仿真结果直接回应了量化部署中的两个核心问题。

• 一是示教成本明显下降。机器人每完成一个新任务，通常要人工采集千百条示教数据；而以 GroundingPI 为视觉底座的系统，只用 50% 的示教数据，成功率就超过了对比模型用 75% 数据的水平。原因在于，它直接接过了传统 VLA 模型里学习“物体在哪”的那部分工作。落到实际部署中，这意味着在同等成功率目标下，需要的人工示教量能大幅减少。

• 二是场景泛化性更强。眼下机器人落地的一个痛点是，换到另一个空间、换一个物体，之前学会的事情就不会做了。GroundingPI 的感知力让机器人在面对材质变化、物体品类变化、容器变化、背景变化等现场变量时，仍能保持很强的稳定性，执行性能不受环境影响。在仿真环境的散料分拣、料箱清点等高密度场景里，这套系统能分类抓取同类工件，快速对应物品形态。这也为“一套权重跨工位复用”提供了实验支撑。

IT之家附相关链接：