Fable 5.2登顶之前，Q0-Preview用旧版Claude拿了第二

11 月 10 日，Anthropic 推出新一代模型 Fable 5.2，通用大模型在物理行动上的能力又被往上推了一截。

Anthropic 公布的评测里，Fable 5.2 在 RoboDojo Sim 双臂机器人仿真评测中正确率达到 64.9%，比上一代 Fable 5.1 提升明显，也明显压过 GPT-6 Astra。拧瓶盖、玩魔方、画画这些机器人任务，Anthropic 也一并展示了。物理行动能力，正成为前沿模型比拼的新战场。

到 11 月 11 日为止，Robodojo Sim Agent 榜单上 Claude Fable 5.2 能排到第二，前面只有 10 月 30 日上榜的 Q0-Preview：任务成功率 68.87%，综合得分 74.2。Q0-Preview 也是该榜单开榜以来第一个综合得分越过 70 的方案。成绩之外，技术路径更值得看——Q0-Preview 没走 VLA，也没走 WAM，用的是 Agent 路线，试着把前沿多模态大模型的任务规划、空间感知、记忆反馈、工具调用这些复合能力用起来，让模型自己完成复杂的物理操作任务。

更让人意外的是，Q0-Preview 背后驱动的基座大模型并不是广受好评的 GPT 6 Astra，而是 Claude 的上一代模型 Opus 5.5。Anthropic 官方汇报中，Opus 5.5 的正确率只有 39.4。通用大模型加速进入物理世界，更深的问题也跟着冒出来：通用大模型的物理行动能力边界在哪里？大模型的空间理解与推理能力，怎么和具身上的 know-how 融合，才能拿到更好的物理行动能力？

作为Q0-Preview的技术前瞻，乾章智能（Qoo Tech）这次把在Physical Agent方向上的探索做了简要交代。官方测试代码已经开源。

有个开放性问题一直被摆在前头：让大模型去驱动具身操作，本质到底是什么？Q0-Preview给出的核心判断是——把每个操作阶段的接触位置和接触姿态定下来。

拿抓苹果这个简单任务来说。识别出苹果这个目标物体之后，还得判断抓它哪个部位、夹爪从哪个方向靠过去、又以什么朝向夹住。这些判断一旦转成机械臂的目标位姿，再往下生成可执行动作，事情就通了。

核心方案：空间计算即可具身操作

通用多模态智能体在感知和编程上已经相当能打。可放到具身控制里，这两样本领能不能用、怎么用足，仍是一个新的开放性问题。

回到前面那个问题。控制本身就是在预测接触信息和接触姿态，而姿态又能由若干点确定，多模态智能体正好在中间当桥梁：感知多个像素点，用计算的方式算出接触信息在空间中的坐标，操作就落到了实处。所以Q0-Preview主张把模型的空间感知与编程能力用起来——单目或多目观察先识别目标像素位置，再结合相机内外参和像素坐标计算工具做空间计算，把图像里要接触的目标像素定位到世界坐标系。

落到夹爪上，模型用三个空间参考点就能表达夹爪的目标位姿和接触信息：两个有序点的中点定下参考接触位置，两点连线定下夹持方向，第三个点补上接近方向。位置、姿态的表示和接触信息就此统一成一个可计算的空间计算问题。

当前阶段做哪个子任务，由多模态智能体根据观测和指令来定，随后提交目标位置姿态与夹爪指令。下游的cuRobo等运动规划组件把这些转成连续动作。执行完，多模态智能体再看新观测核对结果、调整下一步，“观察—计算—执行—反馈”的闭环就这样转起来。

Harness这部分，解决的是让大模型真正从“会算”走到“会做”。

围绕这套核心方案，Q0-Preview搭起了一套Harness，用来规范模型与观测、工具、执行模块之间怎么交互。

第一条，把执行边界和工具调用定清楚。

模型能拿到哪些观测、机器人状态和先验信息，统一到一处；思考与工具调用的预算、控制指令的输出格式，也都事先约定好。任务以短动作组为单位往前推，在关键的中间节点插入视觉检查点，看执行结果再决定是接着走还是重新规划。模型可以调用现成的程序，也能自己写，用图像裁剪、局部放大这类工具帮忙做空间计算。

第二条，靠仿真试错攒下通用的操作经验。开发阶段就在仿真里反复试，把能通用的操作规则总结出来，供模型参考。比如用空闲那只手的腕部相机帮着观察，少挡视线；规划路径时既避开碰撞，又顾到后面还能不能看见；抓取、搬运、放置各阶段的速度也分别调整。这些技能在仿真里学会，可以迁移到真机上。

第三条，补上任务要求，把完成条件说明白。

有些任务说明写得比较笼统，Q0-Preview就补上静态任务规则、完成条件以及必要的操作建议，让模型的理解和评测要求对得上。执行过程中，评测器的实时奖励和环境判定信号一概不读。

第四条，管好上下文和任务记忆。初始信息、近期观测和一份紧凑的任务记忆都留着，里面记下已确认的进展、当前状态和后续目标，以此压住上下文膨胀带来的开销。上游决策与下游执行之间用明确接口隔开，多阶段操作才能一环接一环地走下去。

能力展示

Q0-Preview 在好几个维度上的表现都相当亮眼，部分任务甚至比专家遥操作还要顺滑。

1. 双臂同步操作

在同一行动阶段，给左右臂各自设定目标，让能并行的操作同步推进。

2. 双臂协同操作

双臂围绕同一个目标分工，按支撑、交接等动作之间的依赖关系来协调执行。

3. 精准操作

先通过多视角观察做空间计算，定下位置和朝向；接近之后再利用新的观测修正偏差。

4. 自适应调整

目标变了、执行结果对不上，就重新找目标、改姿态，或者把操作计划再修一遍。

5. 记忆

前面拿到的东西、已经做完的步骤都留着，后面接着拿它们做判断，那些要靠历史信息才能完成的任务也就有了着落。

物理智能这块，真正的难题才刚露头。

乾章智能（Qoo Tech）拿出的 Q0-Preview，让人看到前沿基础大模型在具身操作上能走多远。语义理解、空间推理、工具调用，这些能力跟机器人操作里的关键约束放在一起，具身领域正因此走到一个新的技术拐点上——方法不用绕弯子，也有机会拿到明显的进展。

不过，基础大模型要真在真实的具身环境和任务里落地，面前还横着不少硬骨头。

先说推理效率和成本。前沿大模型要完成一个看起来不复杂的具身操作，可能烧掉百万级 Token，推理时间长达数小时。这样的时间和花销，离真正部署还差得远。既要保住操作能力，又要砍掉多余的推理和工具调用、把决策速度提上来，这是具身 Agent 绕不开的一道坎。

更根本的疑问是：大模型的具身操作本事到底从哪来？GPT 6 Astra 是前沿大模型投向具身领域的一声惊雷，当时外界纷纷猜测，它的训练数据里加了大量具身 EGO 数据，才带来空间理解和具身操作的跃迁。可 Q0-Preview 基于 Opus 5.5 的实践，让人不得不往下想：具身数据、代码生成、工具调用乃至三维生成这些因素，究竟谁对大模型的物理操作能力贡献最突出？模型自身的能力和 Harness 的设计又怎么相互影响？单靠一个榜单成绩答不了这些问题，得靠系统性的对照实验厘清，才能给未来的数据建设、训练目标和系统设计指出更明确的方向。另一边，推理延迟太长，也让当下的具身 Agent 很难适应动态环境。真实世界里，物体和环境不会等模型想完，从观测到执行之间一旦有变，原计划就可能作废。怎么及时响应动态变化，把视觉与力、触觉反馈结合起来，在长期运行中扛住扰动、从失败里恢复、保住操作可靠性，这些都还要继续摸索。

挑战摆在那儿，但基础大模型表现出的零样本泛化能力，已经给具身智能蹚出一条新路。Q0-Preview 的探索说明，把通用模型的能力和具身领域的知识、约束捏到一起，机器人的任务边界有望不断往外扩。基础大模型打开的这些可能性，正指向具身智能的新拐点。

团队近期会发布技术报告和更快、更干净的新版代码，补充技术细节，展示更多真机实验，也会进一步讨论当前方法的能力边界和后续方向。