全部分类

2026-11-21

GPT-6.2 Astra 具身任务成功率较上代翻倍

OpenAI具身智能大模型
来源:量子位 ↗

据量子位 2026 年 11 月 21 日报道,OpenAI 的 GPT-6.2 Astra 在具身智能基准测试中取得突破:16 项任务成功率较 GPT-6 Astra 实现翻倍,并全球首次实现可变形物体操控。这意味着大模型对物理世界的理解与操作能力正加速提升,具身智能从实验室走向真实场景的进程可能被显著压缩,机器人学习与自动化领域的技术路线也将随之调整。

量子位 2026 年 11 月 21 日消息,GPT-6.2 Astra 在具身智能评测中交出了一份颇具冲击力的成绩单:16 项任务的成功率较上一代 GPT-6 Astra 翻倍,同时实现了可变形物体操控的全球首次通关。这两项结果分别指向能力提升的「广度」与「难度」——前者说明模型在多种任务上的泛化稳定性明显增强,后者则触及具身操作中长期难啃的硬骨头。 可变形物体操控之所以被视为分水岭,是因为绳索、布料、软体等对象没有固定形状,状态空间连续且难以精确建模,对感知、规划与力控的协同要求远高于抓取刚性积木。此前多数具身系统在这一类任务上表现脆弱,稍有扰动便前功尽弃。GPT-6.2 Astra 若能稳定完成,说明模型对物理动态的预测与实时调整能力上了一个台阶。 从行业脉络看,大模型进入具身智能领域后,主流思路是用海量视频与仿真数据训练通用策略,再迁移到真实机器人。成功率翻倍意味着 scaling 逻辑在具身场景中继续成立,数据与算力的投入仍能换来可测量的能力增长。对机器人厂商和自动化集成商而言,这既是机会也是压力:机会在于可以直接调用更强的通用策略底座,缩短自研周期;压力在于若底层模型能力差距拉大,应用层的差异化空间会被进一步压缩。 值得注意的是,评测成绩与真实产线表现之间仍有距离,任务定义、环境复杂度、失败恢复机制都会影响落地效果。但 16 项任务成功率翻倍这一事实锚点,已足以表明具身智能的能力曲线正在陡峭化。这意味着通用大模型与机器人本体的结合正从演示阶段迈向可复用的工程阶段,赛道竞争的重心将从「能不能做」转向「做得稳不稳、成本低不低」。

对普通用户的影响

关注具身智能的开发者可优先评估 GPT-6.2 Astra 的 API 与仿真接口,尽早把可变形物体操控纳入自家 pipeline 测试;机器人团队建议对比上一代在相同任务集上的失败模式,判断是感知瓶颈还是控制瓶颈,再决定是否切换底座。普通用户短期无感,但仓储分拣、柔性产线等场景的自动化水平可能在未来一年内出现可感知的提升。

本文编译自「量子位」,点击查看原始报道。

查看原始报道 ↗

延伸阅读

查看全部资讯 →