首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >16 项任务成功率翻倍,具身智能的瓶颈其实不在模型参数

16 项任务成功率翻倍,具身智能的瓶颈其实不在模型参数

原创
作者头像
Lethehong
发布于 2026-11-21 21:55:48
发布于 2026-11-21 21:55:48
150
举报
文章被收录于专栏:速递日报速递日报

16 项任务,成功率较上一代翻倍,可变形物体操控全球首次打通。这几个数字摆在一起,说明的不是模型又变强了,是训练范式换了一茬。我想聊清楚,翻倍到底翻在哪,这条路线对做具身的人意味着什么,以及如果你今天就想动手,第一步该落在哪。

图 1 本文配图:文章主题场景示意

先别急着喊具身智能成了

11 月 21 日,量子位报了一条消息,GPT-6.2 Astra 在 16 项具身任务上,成功率较 GPT-6 Astra 翻倍,同时实现了可变形物体操控的全球首次打通。

我第一反应不是兴奋,是警惕。翻倍这个词在 AI 新闻里被用得太廉价了,基数是 10% 翻到 20% 也叫翻倍,基数是 70% 翻到 95% 也叫翻倍,两者的含义差了一个量级。

公开信息里没有给每一项任务的绝对成功率,只给了「较上一代翻倍」这个相对值。这就是这次报道最要命的信息缺口。

所以我先把话说在前面,这篇不是来宣布具身智能拐点到了的。我想做的是,把「翻倍」这个说法拆开,看看它背后可能对应哪几种技术路径,每种路径的现实约束又是什么。

可变形物体操控首次打通这句话,含金量比翻倍更高。翻倍是量的变化,首次打通是质的变化,因为它意味着模型开始处理一类之前处理不了的状态空间。

但「打通」不等于「稳定」。机器人叠一件软衣服,成功一次叫打通,连续一百次成功八十次才叫能用,这两件事之间的距离,往往比从零到打通还远。

这句话也是我后面所有判断的底色。方向值得认真对待,程度必须打问号,这两件事不矛盾。

翻倍翻的是数据,不是参数量

我的判断是,这次进步的主因不在模型架构,在训练数据的组织方式。

理由很直接。从 GPT-6 到 GPT-6.2,版本号只跳了一个小位,如果架构有代际变化,命名不会是 6.2 这种小数点后一位的增量。这更像是同一套底座上的一次训练配方升级。

具身任务的成功率,长期卡在三个地方,动作空间的连续性、长程任务的误差累积、以及物体状态的不确定性。前两个是算法问题,第三个是数据问题。

图 2 本文示意图:把具身模型的进步拆成四层,数据层是最可能解释这次翻倍的地方。

可变形物体操控恰好是第三类的极端案例。一块布、一根绳子、一袋米,它们的形状在每一帧都在变,你没法用刚体物理去建模,也没法用几个关键点去标注。

这类任务想做好,靠的是大规模、多样化的真实交互数据。模型见过的布料形态越多,泛化到没见过的那块布上就越稳。

所以我把这次翻倍理解为,数据侧的投入开始出效果了。至于具体是仿真数据、真机数据还是视频预训练,公开信息未披露,我不猜。

这里有个反常识的点。大家习惯把具身智能的进展归因于模型变大,但真机数据采一条要几分钟,一天采不了几百条,这个瓶颈用堆参数是绕不过去的。

参数可以一夜之间翻倍,数据不行。 这就是为什么具身智能的曲线一定比纯语言模型慢,也是为什么每次数据侧的突破,带来的相对提升会显得特别猛。

顺着这个逻辑往下推,如果翻倍真是数据驱动的,那它就不是一次可以等来的进步,是一件必须自己动手攒的事。这也是我后面给动作建议的出发点。

成功率翻倍这件事,得看分母

回到那个信息缺口。16 项任务,每项任务的难度不一样,有的是抓取,有的是装配,有的是折叠,把它们平均成一个「翻倍」,这个数字的参考价值要打折扣。

我做过类似的评测统计,最怕的就是把不同难度的任务混在一起算总成功率。一个简单任务从 90% 到 95%,一个难任务从 5% 到 10%,平均下来也是「显著提升」,但对实际部署的意义完全不同。

真正有信息量的口径是按任务类型分组,抓取类多少、装配类多少、可变形物体类多少,各自的前后对比。这次没给。

按任务类型分组统计(示意代码,演示总成功率如何掩盖不同难度任务之间的真实差异,脚本内数字为构造示例,不是官方结果)

代码语言:txt
复制
tasks = [
    {'name': 'grasp_cup', 'type': 'rigid', 'before': 0.90, 'after': 0.95},
    {'name': 'fold_towel', 'type': 'deformable', 'before': 0.05, 'after': 0.10},
    {'name': 'insert_peg', 'type': 'rigid', 'before': 0.60, 'after': 0.66},
    {'name': 'knot_rope', 'type': 'deformable', 'before': 0.02, 'after': 0.05},
]

def overall(rows, key):
    return sum(r[key] for r in rows) / len(rows)

def by_type(rows, t, key):
    picked = [r for r in rows if r['type'] == t]
    return sum(r[key] for r in picked) / len(picked)

print('overall before', round(overall(tasks, 'before'), 3))
print('overall after ', round(overall(tasks, 'after'), 3))
for t in ('rigid', 'deformable'):
    print(t, 'before', round(by_type(tasks, t, 'before'), 3),
          'after', round(by_type(tasks, t, 'after'), 3))

还有一种可能,翻倍来自任务集合的调整。如果这一代的 16 项任务和上一代的 16 项不是同一批,那这个对比就不成立。公开信息没说是不是同一套 benchmark。

图 3 本文示意图:同一句「成功率翻倍」,在两种口径下指向完全不同的结论。

这不是挑刺,是评估任何模型发布时的基本纪律。我自己看这类新闻,第一件事就是找 benchmark 的名字和版本,找不到就先存疑。

所以我的态度是,翻倍这个信号值得重视,但它证明的是方向对了,不是程度到了。方向对了已经很重要,因为具身智能过去几年最大的问题就是不知道哪条路能走通。

下面这段代码是我自己常用的分组统计小工具,纯粹用来演示「总成功率会骗人」这件事,不是复现任何官方结果。

可变形物体,为什么是分水岭

我想单独说说可变形物体这件事,因为它是判断具身智能是否真的进步的最好试金石。

刚体操控,比如拿一个杯子、拧一个螺丝,状态空间是有限的,物体的位姿可以用六个自由度描述,规划和控制都有成熟的方法。

图 4 本文示意图:从感知到执行的四个环节,每一环在可变形物体上都比刚体多一层不确定性。

可变形物体的状态空间是无穷维的。一块布在某一时刻的形状,理论上需要每个点的位置来描述,你没法把它压缩成几个数字喂给控制器。

传统做法是用简化模型,比如把布近似成质点弹簧网络,但这类模型的精度在复杂交互下会崩。

学习类方法的思路不一样,它不去显式建模形状,而是从大量交互里学一个隐式的状态表示。这个表示怎么构造、怎么和动作策略对齐,是这个方向的核心难点。

首次打通说明这个难点被啃下了一块。但打通的具体含义,是单一物体、单一任务的成功,还是多物体、多任务的泛化,公开信息没有细说。

这两者的差别很大。单一任务打通,可能只是过拟合了一个场景;多任务泛化,才说明表示本身学到了东西。

我倾向于认为这次是前者偏多,因为从首次打通到稳定泛化,行业里还没有谁真正跨过去。这个判断是推断,等后续的技术报告出来才能验证。

如果这个推断成立,那对做具身的人来说,可变形物体这块的能力现在还处在「能演示」的阶段,离「能交付」还有距离,排期上不能按成熟能力来算。

这条路线对做具身的人意味着什么

如果你的团队在做具身智能,这次发布最该带走的不是「赶紧换模型」,是「重新审视数据策略」。

过去两年,很多团队把资源压在模型选型和微调上,数据采集靠外包或者小规模自采。如果这次翻倍真是数据驱动的,那这个资源分配就是错的。

具体来说,我会先问三个问题。第一,我的任务里有多少涉及可变形物体或者高不确定性状态?第二,这类任务的数据我有没有,有多少,多样性够不够?第三,我的评测口径能不能分辨出数据带来的提升?

第三个问题最容易被忽略。很多团队有数据,但没有能反映数据价值的评测集,结果数据加了,指标没动,就以为数据没用。

还有一个现实约束,真机数据采集的成本。一台机械臂加一个操作员,一天的有效采集时间可能就四五个小时,这个产能决定了数据规模的天花板。

所以更现实的路径是仿真加真机的混合,仿真里刷多样性,真机上做校正。这条路不新鲜,但这次事件可能会让更多人认真对待它。

真要动手,第一步落在哪

前面几节都是判断,这一节说我自己的动作建议。空话说「及时跟进」没有意义,我给的是能今天就排进日程的三件事。

第一件,今天就做,重跑一次你自己的基线评测。 别管 GPT-6.2 Astra,先把手上模型的评测结果按任务类型拆开,刚体、柔性、长程各算各的成功率。这件事一个人一天能干完,产出的是一张你后面所有决策都要用的底表。没有这张表,任何新模型发布你都只能凭感觉判断要不要跟。

第二件,这周做,盘一遍数据资产。 列清楚你手上有多少条柔性物体交互数据、多少条长程任务数据、覆盖了多少种物体形态。如果柔性物体那栏是零或者个位数,那这次发布对你的直接价值就很低,因为就算模型能力到了,你也没有能喂给它的东西。

第三件,这个月做,改评测集。 把总成功率拆成分类型成功率,再加一列失败模式分类,是抓空、是滑脱、还是中途状态丢失。这一步做完,你才有能力分辨下一次发布里哪些是真提升、哪些是口径游戏。

如果这三件都做不了,比如团队就两个人、机器还在路上,那过渡办法是,先只做第一件里最轻的那一半,找三个你最有把握的任务,手工跑二十次,记下成功次数。样本小,但比没有强,而且能立刻暴露你对自家系统到底有多不了解。

至于要不要现在就换模型,我的判断是,如果你在做可变形物体相关的任务,今天就该去看自己数据集的覆盖度;如果做的是标准抓取装配,这次发布的直接冲击有限,不用慌,把评测口径补齐比追新版本更值。

这三件事有个共同点,全都不依赖你能不能拿到 GPT-6.2 Astra。这也是我建议先做它们的原因,外部模型的访问权限你控制不了,自己的评测和数据盘你控制得了。

我怎么验的,以及我没查到什么

这一节我得把话说透,不然前面那些判断就成了没有地基的房子。

先说验证。这篇里没有一个数字是我自己跑出来的。我手上没有 GPT-6.2 Astra 的访问权限,也没有配套的机器人平台,所以翻倍这个结论我无法独立复核。我做的只有两件事,一是把公开报道里的表述逐句拆开,看哪些是可核验的、哪些是转述;二是用自己写的分组统计脚本演示「总成功率会掩盖难度差异」这个统计现象,脚本里用的数字是我构造的示例,不是任何官方结果,这一点必须标清楚。

核对评测集版本(示意代码,确认两代模型报的是不是同一套任务集合,否则对比不成立)

代码语言:txt
复制
#!/usr/bin/env bash
# 假设评测结果以 json 存放在本地 results 目录
set -euo pipefail

for f in results/gpt6-astra.json results/gpt6.2-astra.json; do
  if [[ ! -f "$f" ]]; then
    echo "missing: $f"
    continue
  fi
  echo "== $f"
  # 抽出 benchmark 名称、版本、任务数量
  python3 - "$f" <<'PY'
import json, sys
p = sys.argv[1]
d = json.load(open(p))
print('benchmark', d.get('benchmark'))
print('version  ', d.get('version'))
print('num_tasks', len(d.get('tasks', [])))
print('task_ids ', sorted(d.get('tasks', {}).keys())[:5], '...')
PY
done

再说查不到的部分。第一,16 项任务的具体清单、每项任务的绝对成功率、benchmark 的名称和版本,公开信息都没有。所以我没法判断翻倍的分母是多少。

第二,GPT-6.2 Astra 的训练数据构成、模型规模、是否用了新的架构组件,都没有披露。我说「主因在数据」,是从版本号命名和任务特性推出来的,不是从技术细节读出来的。

第三,可变形物体操控的「全球首通」,具体通的是什么任务、什么物体、什么评测条件,没有细节。这个说法的分量,要等复现或者第三方评测才能坐实。

按同类组件的通用规律推断,具身模型的发布往往先给相对指标,等技术报告出来才会补绝对数字和失败案例。这条规律是我从过去几年的发布节奏里总结的,不是这次事件的官方说明。

所以如果你要拿这次发布做决策依据,我的建议是,把「翻倍」当成一个待验证的信号,而不是结论。信号足够强,值得你今天就去做第六节里的第一件事;结论还不够硬,不值得你为此改路线图。

说到底,具身智能这个领域最不缺的就是漂亮的 demo 和惊人的相对数字,最缺的是能复现的绝对指标和诚实的失败率。这次发布有没有跨过这条线,我现在不敢下结论。

写在最后

具身智能这些年最不缺的就是惊人的相对数字,最缺的是能复现的绝对指标和诚实的失败率。这次翻倍是不是拐点,我不急着下结论,但我会先去做那三件不依赖任何外部模型的事,重跑基线、盘数据、改评测口径。你也可以从第一件开始,跑完再回来看这句话对不对。以上,既然看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,如果想第一时间收到推送,也可以给我个星标⭐~

以上,既然看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,如果想第一时间收到推送,也可以给我个星标⭐~

谢谢你看我的文章,我们,下次再见。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 先别急着喊具身智能成了
  • 翻倍翻的是数据,不是参数量
  • 成功率翻倍这件事,得看分母
  • 可变形物体,为什么是分水岭
  • 这条路线对做具身的人意味着什么
  • 真要动手,第一步落在哪
  • 我怎么验的,以及我没查到什么
  • 写在最后
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档