一句话看懂：alphaXiv 上的一篇论文提出 PhysLadder——一个在仿真与真实环境中任务定义一致的 16 项家务操作基准，并用它零样本评测 GPT-6 Astra。结果显示，随着接触交互难度上升，成功率明显下降，到需要协调接触重构的 L3 时归零。
事件核心：发生了什么
根据论文摘要，PhysLadder 把接触密集型操作拆成三个累进层级：L1 是接触选择与几何对齐，L2 是在持续接触中调节力，L3 是协调接触重构与力调节，共 16 项家务任务，仿真与真实环境在物理和视觉上做了匹配，任务定义和成功标准共用。团队让 GPT-6 Astra 零样本执行，每个任务在两个环境各试三次。真实环境成功率从 L1 的 80.0% 降到 L2 的 47.6%，L3 为 0.0%；仿真环境对应为 66.7%、47.6%、0.0%。16 项任务中 10 项在两个环境的成功次数完全一致，其余 6 项仅差一次。
为什么重要
机器人操作长期受困于“仿真里能跑、真机上不行”。这项工作的价值在于先把评测做齐：同一套任务、同一套判据，仿真和真实结果高度接近，说明匹配仿真可作为可重复、可扩展的测试台。对 GPT-6 Astra 而言，结果刻画了一条能力边界——单次接触并不难，难的是让局部物理进展持续累积到任务完成，空间推理、接触选择、力调节与协调是反复出现的瓶颈。这为具身智能研究提供了一个更细的失败诊断坐标，而不是一个笼统的榜单分数。
对用户/开发者/创作者的影响
目前公开信息仅为论文摘要，尚不代表已上线产品或官方能力声明。对开发者和机器人团队，这套分层任务定义可以直接当作评测模板：先测基础接触，再测力控，最后测协调，失败点更容易定位。对关注具身智能落地的读者，L3 零成功率提示家务、装配这类长链条接触任务仍是硬骨头，近期不宜对通用家用机器人抱过高预期。仿真工具的可靠性提升，则可能降低训练和验证的算力与硬件成本。
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 PhysLadder 是否开源任务定义与仿真环境，能否被更多模型横向复现；二是 GPT-6 Astra 经过微调或改用其他策略后，L2、L3 能否提升，这是判断瓶颈属模型能力还是方法问题的关键；三是更多模型加入后，仿真与真机的成功次数一致性是否继续成立，这将决定匹配仿真作为评测标准的可信度。
来源：alphaXiv
