【东方通信-半导体】GPT-6-Astra具身能力点评：通用LLM大模型 承担 具身专用模型任务 1、突破：根据SenseNova联合研究小组对GPT-6-As
- 序号：033
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
【东方通信-半导体】GPT-6-Astra具身能力点评：通用LLM大模型 承担 具身专用模型任务
1、突破：根据SenseNova联合研究小组对GPT-6-Astra的评测，其已可以承担VLA和WAM等专用模型的具身任务。(1)在12个具身任务benchmark的评测中，GPT-6-Astra 均明显超过了现有最高水平，且在4个benchmark中的性能表现接近满分。(2)GPT-6-Astra能够诊断错误并尝试恢复，额外的执行步数可以让模型进行更多修正尝试，从而在多数benchmark中显著提升任务成功率。(3)GPT-6-Astra展现主动视觉能力，模型会主动重新定位摄像头，在插花等任务中获得后续动作所需的观测信息。
2、短板：物理AI更近一步，但模型效率和真实场景表现受到考验。(1)时间和token成本仍较高。在相对简单的benchmark如LIBERO-Long++标准预算成功率超97%，但消耗约100万token和1小时推理时间，其他的benchmark中可能消耗数千万token和数小时时间。(2)长时程执行仍然困难，多个阶段中的微小偏差会不断累积，一个尚未解决的子任务也可能阻塞整体目标的推进。(3)环境感知困难，真实场景会出现忘记关冰箱门、水池溢出、煎蛋烧焦等，柔性物体操作、精确接触任务也存在困难。
3、预判：通用大模型有望提升具身智能上限，加速工程化落地。(1)在具身智能应用中，通用大模型泛化能力、迁移与适应能力、跨任务和跨硬件的通用性更强，或有更好的自主决策能力，在理解复杂指令、任务拆解、结果识别与任务修复方面更有优势，或将提升具身智能的发展上限。(2)通用模型有望适配不同机器人形态和场景，降低模型重复开发成本，我们认为其将加速具身智能的工程化落地，预计将优先在流程相对标准、环境较为可控、任务边界明确的场景推进应用。
4、投资：关注物理AI产业链中的传感器与整机制造环节。通用模型在具身智能方面取得突破，物理AI开启从算法到真实场景应用的“从0到1”时刻。机器人在真实世界面临视角受限、精确执行困难、执行器过热等问题，建议关注数据采集相关的视觉/触觉传感器、端侧采集设备，及数据验证相关的机器人整机和核心硬件制造环节。
总体总结
主题正文
- 1、突破：根据SenseNova联合研究小组对GPT-6-Astra的评测，其已可以承担VLA和WAM等专用模型的具身任务。
- (1)在12个具身任务benchmark的评测中，GPT-6-Astra 均明显超过了现有最高水平，且在4个benchmark中的性能表现接近满分。
- (2)GPT-6-Astra能够诊断错误并尝试恢复，额外的执行步数可以让模型进行更多修正尝试，从而在多数benchmark中显著提升任务成功率。
- 在相对简单的benchmark如LIBERO-Long++标准预算成功率超97%，但消耗约100万token和1小时推理时间，其他的benchmark中可能消耗数千万token和数小时时间。
- (1)在具身智能应用中，通用大模型泛化能力、迁移与适应能力、跨任务和跨硬件的通用性更强，或有更好的自主决策能力，在理解复杂指令、任务拆解、结果识别与任务修复方面更有优势，或将提升具身智能的发展上限。
- (2)通用模型有望适配不同机器人形态和场景，降低模型重复开发成本，我们认为其将加速具身智能的工程化落地，预计将优先在流程相对标准、环境较为可控、任务边界明确的场景推进应用。
- 4、投资：关注物理AI产业链中的传感器与整机制造环节。
- 机器人在真实世界面临视角受限、精确执行困难、执行器过热等问题，建议关注数据采集相关的视觉/触觉传感器、端侧采集设备，及数据验证相关的机器人整机和核心硬件制造环节。