GPT-6.2 Astra登顶机器人榜单:OpenAI解散独立机器人团队
GPT-6.2 Astra在真实机械臂测试中登顶,通用大模型直驱机器人的能力又进了一步。 据独立评测机构Artificial Analysis发布的AA-Robotics v0.1榜单,GPT-6.2 Astra得分79,完成8项物理任务中的6项。 不只是OpenAI的旗舰模型,能力相对较弱的GPT-6.2 Sol也得
GPT-6.2 Astra在真实机械臂测试里拿下第一,通用大模型直接驱动机器人这件事又往前迈了一步。
独立评测机构Artificial Analysis公布的AA-Robotics v0.1榜单显示,GPT-6.2 Astra得分79,8项物理任务完成了6项。
拿到高分的并非只有OpenAI的旗舰模型,能力相对弱一些的GPT-6.2 Sol也得了78分。
这项基准测试不许模型做专项训练,全程按零样本设定进行。模型靠写代码的方式直接操控一台6轴机械臂,去挪动真实物体。
机器人厂商过去普遍的看法是,垂直模型在机器人适配、力控这些方面更强,比通用模型更贴合机器人。
现在看来,通用模型一路迭代性能之后,垂直模型的位置或许会被它顶掉。
梁文锋也讲过类似的意思:具身智能要突破,可以建立在通用模型能力不断进化的基础上。
在梁文锋的AI路线里,通用模型自身能力的进化才是通向AGI的主线,具身智能属于这条路的延伸。
1
11月13日,外媒报道称OpenAI把独立机器人团队解散了,原团队并入公司主要研究团队,应用机器人和硬件团队则被划到其他部门。
OpenAI向媒体确认,这次调整的原因在于通用模型控制机器人表现得很好。
研究人员发现,把GPT-6 Astra接到机器人上之后,它已经能参与执行一些具体任务,表现让人惊喜。
其实GPT-6 Astra发布后,用Astra驱动机器人的尝试已经出现了一轮。独立评测机构Robocurve的实机测试就显示,双臂机械臂做“抓取方块并放入碗中”这项任务时,Astra成功率是95%。
这些实验给通用模型控制机器人添了更多现实依据。OpenAI随即把成立不到半年的独立机器人团队并入主要研究团队,研究人员转向通用人工智能模型研发。
这相当于OpenAI换了条技术路线:通用模型既然已经能控制机器人,就不必再单为机器人研发一套“空间智能”专门模型。
其实在机器人技术路线上,OpenAI调整方向这不是头一回。
早在2019年,OpenAI就组建过机器人团队,想用强化学习等办法让机器人学会抓取、摆放物体。可到2020年,这支团队就散了。
联合创始人Wojciech Zaremba曾解释,机器人数据有限,用别的办法实现AGI效率更高。此后OpenAI专注大语言模型,2022年推出ChatGPT。
多模态模型发展起来后,OpenAI又把目光转回机器人。
2024年,OpenAI与人形机器人公司Figure AI合作,试着把大模型能力用到机器人身上。
当时OpenAI副总裁Peter Welinder表示,与Figure合作是想探索在大型多模态AI模型支持下,人形机器人能达到怎样的智能化水平。
之后Figure AI发布的Figure 01演示视频里,机器人能按人类指令完成简单的物品递送。这次合作中,视觉理解和语言交互能力由OpenAI的模型提供。
不过一年后,Figure AI宣布结束合作,转向自主研发机器人AI。
OpenAI对机器人的心思没死。2026年初,其研究人员开始探索另一条路线:从Sora这样的视频生成模型入手研究。
作为视频生成模型,Sora能理解物体、空间和运动之间的关系,对物理世界怎么运作有一定把握。
OpenAI这次转向,其实不是独一份。2025年初,具身智能圈子里最主流的做法还是VLA模型;到了年底,VLA在跨场景泛化这些方面的短板露了出来,行业于是把注意力挪向世界模型。
今年6月,Sora关停两个月之后,Sam Altman对外宣布成立机器人部门“OpenAI Robotics”,把Sora团队整体调去搞机器人研发。带队的是Sora之父、DALL-E创始人Aditya Ramesh,思路是把Sora攒下的世界模拟技术搬到机器人训练上,短期盯工业辅助机器人,长远则想做消费级人形机器人。
不过这条路没走多久又变了。部门成立才三个月,今年9月,OpenAI就发布了GPT-6 Astra。
OpenAI发现,通用模型自己就能参与机器人任务。比起专门为机器人研究世界模拟技术,直接拿通用模型现成的视觉理解、推理和任务规划能力来用,同样能走通。
卡内基梅隆大学机器人研究所助理教授Guanya Shi评价说,这说明OpenAI认为机器人技术“不再是一个特殊问题”。
在机器人这条路上绕了一圈,OpenAI的目光又回到了通用模型。
2
有变化的不止OpenAI。通用模型在机器人任务上的表现,正促使行业重新打量这条技术路线。
英伟达10月发布的Astranomy研究,就是直接拿GPT-6 Astra去控制仿真机器人。RoboLab-120测试里,这种直接控制方案的任务成功率是66.3%。
英伟达机器人部门负责人Deepu Talla近日接受采访时表示,GPT-6 Astra的出现,是推动机器人具备多任务处理能力的一次重大突破。
Anthropic发布的Claude Fable 5.2也展现了类似本事:模型操控机器人完成了不少任务,解魔方、拧开瓶盖、画机器人都在其中。在RoboDojo Sim仿真基准中,Fable 5.2平均成功率达到64.9%;同一测试框架下,GPT-6 Astra的成绩是29.8%。
这条技术路线眼下还不成熟,但至少说明一点:通用模型正在成为具身智能研究里值得一试的方向。
国内机器人公司也在盯着这个变化。
宇树就在摸索大模型用于机器人的路子,王兴兴话说得很直接:“明年GPT-7出来,可能直接把具身智能问题打穿。”

在这之前,宇树一边推VLA模型,一边探世界模型。王兴兴提到,去年宇树重新捡起了基于视频生成的世界模型。公司发布过通用VLA模型UnifoLM-VLA-0,还有WMA(世界模型—动作)模型。
而最近,宇树又开始试把GPT-6 Astra用到机器人实验里。
王兴兴说过,不用事先写复杂程序,只给提示词,机器人就能画画;再比如它不光能认出棋盘,还能把棋子准确放到对应位置。他强调,这些实验都是在“零训练”条件下完成的。
智元机器人也在往相似的方向探。
近日,稚晖君团队发了一篇论文,核心是把会聊天的大模型和能执行动作的机器人身体接起来。模型不光能听懂语言指令,还能调用机器人的身体去指向真实物体、做身体动作、做面部表情。
说到底,机器人公司是在试着把通用大模型的能力“接”进机器人身体,以此推进具身智能。
这也给梁文锋此前的判断添了新的参照。
世界模型成了具身智能领域的热门方向时,梁文锋对这条路线反倒比较克制。他更看重通用模型自身能力的进化,把它当作通往AGI的主线。
按梁文锋的AI路线构想,Agent之后要先解决AI模型的持续学习能力,接着到能自我迭代的奇点,然后才轮到具身智能。
换句话说,他想先把通用模型本身做够强,再让这份能力延伸到物理世界。
这和OpenAI最新的调整有某种相似之处。两者都指向同一个判断:具身智能未必非要从头训一套独立的机器人智能,通用模型能力的进化,也可能成为机器人走向具身智能的一条路。
两家公司其实都没把力气只花在模型上。OpenAI在调整机器人业务的同时,曾投资多家机器人公司;DeepSeek则开始向具身智能领域延伸,参与宇树科技配售,和宇树达成三年战略合作,并投资Winverse AI、理格万物等公司。
3
通用大模型接入机器人正成为新的趋势,但这不代表VLA模型和世界模型就此退场。过去几年,具身智能的主流技术路线从VLA模型,到世界模型,再到通用大模型,经历了几次变化,可从未有谁真正取代谁。
VLA模型是最早受到关注的一条路线。VLA即视觉-语言-动作模型,说白了,就是让模型同时处理摄像头画面和人类指令,再把理解结果转化为机器人的动作。
这条路线的出现,和当时大模型的发展阶段有关。那时大模型已经有一定的语言和视觉理解能力,却还不能直接控制机器人;机器人自身数据有限,从头训练一个机器人模型又很难。
2023年7月,Google DeepMind发布了VLA模型RT-2,它能够从网络和机器人数据中学习,并将这些知识转化为用于机器人控制的通用指令。
在当时,VLA路线提供了一种可行的方案。问题是VLA缺乏泛化能力,也缺乏自主性,机器人因此无法适应复杂的现实环境。
现实物理世界里,机器人需要应对持续的物理变化,它不仅要知道现在应该做什么,还要判断这样做之后,世界会发生什么变化。
所以,当视频生成模型问世后,厂商普遍认为视频生成模型有望取代VLA模型。2024年2月,OpenAI发布Sora,并在技术报告中提出:大规模视频训练成为构建物理世界模拟器的路径。
人类拿东西、搬东西、走路、整理物品,这些动作在互联网上的大量视频里都有记录。模型如果能从这类视频里学到物体怎么动、空间关系如何、动作会带来什么后果,这种能力就有望迁移到机器人身上。
但视频生成不等于能够控制机器人。于是,行业开始尝试把世界预测和动作生成结合起来,形成世界动作模型(WAM)。换句话说,VLA侧重从观察到动作的映射,世界动作模型则试图把对未来的预测也纳入动作决策。
不过世界模型仍面临诸多问题,模拟出来的物理过程,也未必能在现实环境中准确复现。
直到Astra之后,行业又开始探索另一种可能:通用大模型能否直接承担机器人的任务理解、规划和决策?
斯坦福团队与加州理工合作的具身智能项目HomeBody给出了一个样本。研究想弄清楚的是:通用大模型要是已经足够聪明,机器人还需不需要VLA模型来充当大模型与身体之间的中间层?
HomeBody给出的答案是:在一定任务范围内,可以不需要。
把GPT-6 Astra接进宇树G1人形机器人之后,研究人员让机器人直接调用事先搭好的技能库。进入一间没见过的厨房,机器人照着人类指令把东西整理好、把物品找了出来。

Anthropic后来发布的Fable 5.2也是如此,Fable 5.2在控制机器人上有明显提高,即使是那些它从未接受过专门训练的机器人任务,也能游刃有余。
这意味着,随着模型推理能力增强,一些原本需要专门训练的机器人技能,可能开始从通用模型中涌现出来。
机器人得看懂环境,还得判断某个动作会带来什么结果,这是具身智能要解决的关键问题之一。世界模型的做法是从视频里学,再去模拟未来;通用大模型则拿现成的推理能力拆解任务,然后用于任务规划。两条路技术思路不一样,目标却是同一个:让AI在真实世界里动起来。