---
title: "汇报1❗【天风汽车】机器人大脑更新（1）：Agent接管大脑控制，机器人GPT时刻还由GPT带来-1024 ——————————— GPT6 Astra横空出世"
topic_id: 14425482441248412
created_at: 2026-10-25T13:43:27.015+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 汇报1❗【天风汽车】机器人大脑更新（1）：Agent接管大脑控制，机器人GPT时刻还由GPT带来-1024 ——————————— GPT6 Astra横空出世

- 序号：272
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/14425482441248412)
- 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

汇报1❗【天风汽车】机器人大脑更新（1）：Agent接管大脑控制，机器人GPT时刻还由GPT带来-1024
———————————
GPT6 Astra横空出世，作为机器人云端大脑，具备远超VLA/ WAM的复杂任务理解能力。在没有针对机器人控制进行训练的情况下，就达到Robodojo上的SOTA水平。

这里我们主要讲解Astra的优势所在，以及接下来做的优化。

首先讲Robodojo是什么？它是一个公开测试集， 模型只能通过输出具体的三维坐标控制机械臂包括夹爪，工作视野通过夹爪和头部的相机提供。需要在有限的步骤内完成任务。及其考验模型的任务拆解和操作精度。

对于Astra，优势是任务拆解，劣势是精确操作，也是大模型的特征：
1、Astra能够识别麻将并针对性打出，也可以在障碍物挡住相机时，根据提示词，用空闲的夹爪提供相机视野；

2、涉及精细操作，例如插笔筒、倒水入杯，Astra在空间测量和失败后尝试上很弱。而且操作极慢，因为模型参数大且需要输出每次操作的细节，而这本不应由Astra来做。

基于Astra，仅用时一个月，就有两套方案重回SOTA。分别是HexaShell和WorldScape-R²SI，总结是 让Astra干他擅长的东西。

HexaShell里Astra只做决策，例如设置运动终点，不需要考虑运动轨迹，轨迹由一套写死的方程实现。优化泛化性（33->39）且精度13->41，精度媲美最强的VLA/ WAM。

WS-R²SI尝试自我优化，每次执行生成对应操作的skill，存储怎么做/确认完成度/回退等，并不断迭代。具体怎么动交由另外的WAM做。精度13->24，泛化性33->43，长程任务21->51。

机器人控制分为system0、1、2：，2思考决策做什么怎么做；1把2的结论转化为全身动作；0纯粹的执行。总结下， 让专门的模型做专门的事。S2是机器人泛化一直的痛点，也是Astra类大模型最擅长的点。

今天Kimi 3.1pro发布，大幅强化了3D理解能力，国模也有了接近Astra的能力。

现在的Astra缺什么？复杂场景理解、复杂任务拆解能力。 这些需要大量优质数据进行针对训练，对应数采的庞大需求。❗上亿小时数据的量级下，对应上下游千亿市场。首选数采的直接供应链。

## 总体总结

主题正文
1. 汇报1❗【天风汽车】机器人大脑更新（1）：Agent接管大脑控制，机器人GPT时刻还由GPT带来-1024
2. GPT6 Astra横空出世，作为机器人云端大脑，具备远超VLA/ WAM的复杂任务理解能力。
3. 它是一个公开测试集， 模型只能通过输出具体的三维坐标控制机械臂包括夹爪，工作视野通过夹爪和头部的相机提供。
4. 1、Astra能够识别麻将并针对性打出，也可以在障碍物挡住相机时，根据提示词，用空闲的夹爪提供相机视野；
5. 2、涉及精细操作，例如插笔筒、倒水入杯，Astra在空间测量和失败后尝试上很弱。
6. 优化泛化性（33->39）且精度13->41，精度媲美最强的VLA/ WAM。
7. 1把2的结论转化为全身动作；
8. 今天Kimi 3.1pro发布，大幅强化了3D理解能力，国模也有了接近Astra的能力。