一句话看懂:2026年11月16日,Hugging Face Papers 收录的论文提出 ForceHarness,在不微调、不演示的情况下,让只提供 API 的冻结多模态模型处理接触力任务;在无腕部力传感器的真实机械臂上,GPT-6 Astra 零样本成功率从 3.3% 提升到 90.0%。
事件核心:发生了什么
论文摘要显示,前沿多模态模型已能通过图像零样本控制机器人,但许多操作任务依赖图像无法呈现的接触力。把力觉引入仅能调用 API 的冻结模型有两个难点:接触变化比 API 决策快,需要模型之下闭环控制;冻结模型无法解读原始力流,力必须以可推理形式返回。
ForceHarness 通过腕部传感器或关节力矩校准手部力,用自终止力原语在接触事件发生时自主调节并返回;物理翻译层把每条力迹转换为带不确定性的物理量,作为工具结果交给模型。团队还构建了 HiddenPhys 七任务 MuJoCo 基准。摘要称,在真实机械臂无腕部力传感器条件下,GPT-6 Astra 零样本成功率从 3.3% 升至 90.0%;仿真中在 ForceBench 提升 17.5 个百分点,在 HiddenPhys 提升 34.3 个百分点,并匹配手写专家控制器。以上为论文摘要信息,未核验全文实验。
为什么重要
目前公开信息显示,这条路线绕开了对模型微调和专家演示的依赖,把力觉转换成物理量工具结果,使闭源 API 模型也能参与接触密集型操作。消融结果还表明,较小模型获得物理量时决策显著优于原始力值。若可复现,这会降低机器人接入大模型的改造门槛,也为“API 模型 + 底层控制器”的分层架构提供新样本。
对用户/开发者/创作者的影响
对开发者而言,关键不是直接换模型,而是设计好底层闭环和物理翻译层,把不可解释的传感器流变成模型可调用的结构化结果。机器人团队可优先评估腕部传感器缺失场景下的校准方案;做 AI 应用集成的团队可关注这类“工具结果协议”是否形成通用接口。普通用户短期内不会直接用到该能力,它仍处于研究阶段。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
一是 ForceHarness 与 HiddenPhys 是否开源、代码和基准能否复现;二是真实机械臂实验是否扩展到更多任务和模型,而不只限 GPT-6 Astra;三是该方法与力觉专用策略、闭源机器人 API 的竞争关系,以及物理翻译层能否成为标准工具接口。

