一句话看懂：2026年10月20日发布的一项研究系统评测了GPT-6 Astra通过轻量框架直接闭环操控机器人的能力：模型能用深度、示范和触觉反馈修正动作，但在精确规划和运动可行性上仍明显不足。这关系到通用多模态大模型能否跳过专门训练的动作策略，直接进入机器人执行环节。
事件核心：发生了什么
论文提出GPT-GEAR框架，让GPT-6 Astra直接承担规划角色：观察多摄像头画面与机器人状态，输出末端执行器和夹爪命令，再根据执行反馈决定下一步，中间没有单独训练的动作策略。研究先验证三项基础能力——利用深度信息、从上下文示范中习得简单操作策略、用触觉反馈纠正动作。随后在五个操作基准上按六个能力维度测试：RoboDojo成功率为26.92%，RoboTwin 2.0为76.0%。作者还发布LIBERO-GeoMotion基准，专门考察姿态对齐、平移与旋转协调及动作后果预判，GPT-6 Astra零样本成功率仅11.1%。真机实验显示，简单任务可零样本执行，但在动作可行性、精度和物理安全上仍有持续缺口，推理延迟也影响实际部署。以上基于论文摘要，完整实验细节尚未核实。
为什么重要
这条路线若成立，通用多模态模型的语义与空间理解可直接转化为机器人控制，省去为每类任务单独采集数据、训练动作策略的环节，可能改变具身智能的研发成本结构。但结果也划出边界：识别物体容易，把理解转成物理上可行、安全且及时的运动很难。对押注“大模型即机器人大脑”的团队，这既降低门槛，也暴露执行层仍是瓶颈。
对用户/开发者/创作者的影响
开发者可参考GPT-GEAR的观察—执行—反馈闭环思路，用API式调用让大模型参与控制，但需自建运动边界检查与安全兜底，不能依赖模型保证无碰撞。硬件与算力方面，推理延迟直接制约可用性，端侧部署或更低延迟模型更现实。企业采购评估机器人方案时，应把复杂几何任务的成功率和安全记录纳入指标，而非只看语义理解演示。
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LIBERO-GeoMotion是否被社区采用为几何约束操作的标准评测；二是后续模型能否在保持语义能力的同时缩小零样本成功率差距；三是推理延迟是否降到可接受范围，以及是否有厂商基于这一框架推出产品。
来源：alphaXiv
