GPT-6 Astra机器人能力遭质疑：或接受过专门训练

2026 年 9 月 3 日，GPT-6 Astra 正式发布。

这款新模型除了推理、编程和 Agent 能力，在机器人操作上露出的潜力也引来不少目光。

在许多人眼里，一个通用多模态大模型好像已经能看懂机器人所处的环境，再按任务要求生成相应动作。

发布之后，NVIDIA 把 GPT-6 Astra 接入了机器人仿真与设计工作流。在一项演示里，开发者用 Astra、PTC Onshape 和 NVIDIA Isaac Sim 搭出汽车悬架的 3D 模型，调整扳手的形状和位置，让它能够到悬架上的螺栓，最后在仿真环境中演示了机器人拿扳手拆卸部件的过程。

另一项演示用的是 Unitree G1 人形机器人：Astra 能在一个从没见过的房间里自主行动，记住不同物体的位置，跨越整个房间完成整理任务。此后哪怕人类只给出比较模糊的自然语言指令，它也能凭此前建立的空间记忆，找到并取回指定物品。

类似的案例还有不少，这里不再一一列举。

来源 ：https://www.reddit.com/r/singularity/comments/1wqwcqe/gpt6_astra_can_now_control_a_humanoid_robot_in_a/

GPT-6 Astra 一出，机器人圈就热闹了起来。有人直接喊出：VLA 已死，Robot RSI 时代来了！通用大模型要接管机器人了！

但更关键的问题随之而来：GPT-6 Astra 展现出的机器人能力，究竟是通用智能发展到一定阶段后自然涌现的结果，还是模型在训练过程中已经积累了大量机器人领域的专门知识？

OpenAI

有研究发现，GPT-6 Astra 的机器人能力并非涌现出来的

最近，一项研究给出了一个值得关注的线索。

该研究指出，GPT-6 Astra 的机器人能力并非涌现出来的，OpenAI 在训练过程中使用了专门的机器人数据。GPT-6.1 Sol 和 Gemini Argon 也接受了类似训练。

研究者测试了 50 个开源和闭源模型，比较它们在两类运动学任务中的表现。

一类使用 Franka Panda 机械臂的运动学参数，另一类则使用合成生成的机器人运动学参数。

通过比较模型在两类测试中的表现差异，研究者希望判断模型是否记住了特定机器人本体的运动学知识，以及这种知识能否迁移到陌生的机器人结构上。

研究者首先要求模型完成正运动学（Forward Kinematics，FK）和逆运动学（Inverse Kinematics，IK）计算。

正运动学是根据机器人各关节的角度，计算末端执行器的位置和姿态；逆运动学则反过来，根据目标位置和姿态，求出机器人各关节应该采取的角度。

实验中，研究者要求模型不调用外部工具、不运行代码，也不进行逐步推导，直接给出计算结果。

例如，给定机械臂的一组关节角度：

q = [0.180, 0.029, 0.137, -2.128, -0.156, 1.973, 0.453]

模型需要直接回答，机械臂末端执行器的位置坐标 [x, y, z] 是多少？

在测试的 50 个模型中，有三个模型表现出明显异常。研究者特别指出，GPT-6 Astra、GPT-6.1 Sol 和 Gemini Argon 与其他模型存在显著差异。

真正暴露问题的，是接下来的一项对照实验。

这一项对照实验，才真正把问题暴露了出来。

研究者动了一组机器人的DH（Denavit-Hartenberg）参数，让模型依据新参数重新算末端执行器的位置。

DH参数用来描述串联机器人各关节坐标系之间的几何关系，涉及连杆长度、连杆扭转角、连杆偏距和关节角度等信息。把这些参数连同关节角度一起给出，就能通过坐标变换求出机械臂末端的位置来。

按正常的运动学计算逻辑，本体结构变了，模型算出的结果也该跟着新参数走。

可研究者发现，GPT-6 Astra等三个模型即便拿到的是另一台七自由度机器人的DH参数，给出的预测依然符合Franka Panda机械臂的运动学特征。

研究者据此判断，这三个模型对特定机器人本体存在过拟合，并认为证据相当有力。

换个说法，模型也许记住了和Franka Panda相关的运动学知识，却没有真正掌握那套能迁移到不同机器人结构上的通用运动学规律。

这项实验真正值得看的地方，是它把两种能力分开了：一种是记住特定机器人的结构和运动关系，另一种是理解运动学规律，面对陌生机器人的参数还能重新算。

在熟悉的机器人身上，这两种能力看起来可能差不多；一旦换掉机器人本体，差别就露出来了。

机器人专门数据，可能是关键线索。

这项测试还无法直接证明OpenAI、Google在预训练阶段究竟用了哪些机器人数据。但它给出一条值得重视的线索：GPT-6 Astra、GPT-6.1 Sol和Gemini Argon露出的部分机器人能力，或许与训练阶段攒下的特定机器人知识有关，未必全然出自通用智能的自然涌现。

完整实验结果、代码和模型推理记录也已公开，供社区复现与验证。

地址：https://github.com/swannaiden/vlm-robotics-training

其他研究者同样注意到了这个发现。有人表示，自己的测试里也看到Astra对Franka Panda机械臂表现出明显的熟悉倾向。另有网友问得更具体：同样的正运动学和逆运动学测试，能不能扩展到Unitree G1人形机器人上？

作者回应说，团队确实打算把测试扩到更多机器人本体，并进一步查清特定训练数据集对模型表现的影响。不过这项工作还得靠更多Token资源撑着。

看得出来，研究者接下来想回答一个更关键的问题：如果模型真掌握了通用的机器人运动学规律，面对一台从未接触过的机器人，能不能只凭结构参数就准确预测运动结果？

眼下这项研究还只是初步探索，不能就此断言GPT-6 Astra的机器人能力全部来自专门数据训练。

但它起码提醒了行业一件事：通用大模型在机器人任务上表现亮眼，并不自动等于它已经形成了可跨机器人本体迁移的物理智能。

VLA会不会被通用大模型取代，Robot RSI能不能成为新的技术路线，目前都还没有答案。