Astra 抓积木：通用大模型的第一次真机臂大考

上周四，一家 YC 孵化的公司做了一件朴素到近乎莽的事：把 GPT-6 Astra 接上一对真实的机械臂，让它抓积木、放碗里。没有专用 VLA 模型，没有微调，没有示教数据——就是你我在终端里调用的那个 API，多喂了三路摄像头画面。

做这件事的公司叫 Robocurve，自我介绍只有一句：”Real-world evaluations of physical AI”。他们开源了 inspect-robots 评测框架（287 星，6 月底建仓），跑过 Opus 5 的汉诺塔、跑过积木堆叠的测试时扩展曲线。这次的报告是 9 月 4 日发的《GPT-6 Astra on robotic manipulation》，前情是他们自己那期 Fable 5 对 Fable 5.1 的对比——同一对臂、同一套任务，Astra 补考入场。考场没换。

考场长什么样

硬件是双臂 I2RT YAM，每臂 6 自由度，平行夹爪。每一步决策，模型看到三路画面（顶部、左腕、右腕）加本体感知，输出绝对末端位姿去执行。每条轨迹最多 20 次模型调用，thinking 档位中等，机械臂限速到 25%。三个模型、两个任务、每任务每模型 20 次试验，共 120 次——全部有视频和转录，可逐条回看。

flowchart LR A[三路摄像头加本体感知] –> B[通用 LLM agent
至多 20 次调用] B –> C[绝对末端位姿指令] C –> D[双臂执行
限速 25%] D –> E[人工按 0 到 4 打分] E –> A

任务一：把红色积木放进碗。结果一边倒。Astra 20 次成了 19 次，Fable 5.1 成了 8 次，Fable 5 成了 1 次。平均用时 2.5 分钟对 6.8 分钟，单次成本 0.94 美元对 2.12 美元。三个模型用的是同一份牌价（每百万输入 10 美元、输出 50 美元），Anthropic 侧没开缓存、OpenAI 侧自动缓存了约五分之一的输入——报告特意说明，Astra 的成本只会被高估、不会被低估。输出 token 的差距更扎眼。Astra 平均 2100，Fable 5 是 19200。差 9 倍。

xychart-beta title “积木入碗完成率 单位百分比” x-axis [“Fable 5”, “Fable 5.1”, “Astra”] y-axis “完成率” 0 –> 100 bar [5, 40, 95]

任务二：把拼图块嵌进凹槽。这里的风度比成绩重要。Astra 成了 2 次，Fable 5.1 也成了 2 次——打平。平均推进阶段 Astra 2.00，反而低于 Fable 5.1 的 2.35。报告原话：”It reaches the groove and stalls at the same final step Fable does.” 两个模型卡在同一步。简单的任务拉开三倍的差距，难的任务一起卡在最后一毫米。

值得学的是它的认错方式

报告末尾的 Limitations 一节列了四条：Astra 的试验比 Fable 晚两天跑、没有交错；积木任务里 Fable 用的是 3 号台架、Astra 用 1 号（3 号后来不可用）；打分是操作员目测、且知道正在跑哪个模型；成本按牌价算。HN 上 180 分的帖子里，被顶起来的评论是：”limitations that they state shouldn’t really make much of an impact. But it was nice of them… to mention those. Kudos to them!”【直引】一个评测把自家缺陷列得比结论还全，这在真机评测里算稀有物种。

【判断】这条新闻真正的分量不在”Astra 赢了”，而在模板本身：120 次试验、全量视频、全量转录、成本按时计价、缺陷主动披露——具身评测第一次有了可回放的公共记录。评论区吵的则是另一件事：折叠衣服那类家务到底卡在哪。高票的回答是把瓶颈从”智力”挪回”机械”：机器人不是不会叠，是”叠七天就得返修”，”It would be a tough sell to have to bring in a 100kg robot for servicing every few weeks.”【直引】

【推论】通用模型与专用 VLA 的界线，这个实验只掀开了一角：会看的部分（把画面变成动作序列）通用模型已经能做，卡壳的部分（最后一毫米的插入）它和专用模型一起卡。真机数据这条线，往后会比跑分好看。