GPT-6-Astra具身能力点评：通用大模型突破与落地挑战

GPT-6-Astra具身能力点评报告指出，该模型在12个具身任务基准测试中表现优异，超越现有专用模型，其中4个benchmark接近满分。模型具备纠错与恢复能力，多数benchmark中任务成功率显著提升，并展现主动重新定位摄像头获取后续动作所需的观测信息等主动视觉能力。

具身智能赛道未来发展趋势看好，通用大模型凭借其泛化、迁移与适应能力更强，或在理解复杂指令、任务拆解等方面更有优势，有望提升具身智能发展上限。通用模型适配不同机器人形态和场景，预计将加速工程化落地，优先在流程标准、环境可控的场景推进应用。

报告重点分析了GPT-6-Astra模型在具身任务基准测试中的表现，包括其性能超越现有专用模型、具备纠错与恢复能力、展现主动视觉能力等突破。同时分析了模型的时间和Token成本高、长时程执行困难、环境感知困难等短板与挑战。

当前具身智能市场存在时间和Token成本高的问题，相对简单的benchmark如LIBERO-Long++消耗约100万token和1小时推理时间，复杂任务可能耗费数千万token和数小时。此外，长时程执行困难，微小偏差会累积导致任务阻塞，真实场景中环境感知也存在困难，柔性物体操作和精确接触任务难以完成。

报告提示的风险包括模型时间和Token成本高，可能限制大规模应用；长时程执行中微小偏差累积可能导致任务失败；环境感知能力不足，难以应对真实场景中的复杂情况，如忘记关冰箱门、水池溢出等；以及柔性物体操作和精确接触任务存在技术难点。