大模型操控机械臂：第一名69.4分，却比人类慢两个数量级

一台机械臂花了十几分钟，终于把几块泡沫积木搭成一座合格的高塔。指挥它的 GPT-6.1 Sol 明明已经完成任务，却不肯停手，继续调整积木，结果反而让这项任务以失败告终。

这是 AA-Robotics v0.1 评测里颇具戏剧性的一幕。10 月 14 日，知名大模型评测机构 Artificial Analysis 把 GPT、Claude、Gemini 这些在数学、编程领域表现出色的大模型，拉进了一场真正的机器人考试。

它们需要控制真实机械臂，挑战倒水、写字、搭积木等八项任务，比一比谁的「动手能力」更强。

首批成绩单：第一名69.4分，但分数不等于成功率

每款模型都获得一台 Hiwonder NexArm 机械臂的控制权。这是一台带五个关节和一个夹爪的六轴机械臂，桌面周围和机械臂手腕上共布置四个摄像头。

模型起初只知道机械臂的名称、如何通过 HTTP API 与它通信，以及如何提交任务。它得自己看摄像头、理解物体位置、编写并运行程序，让机械臂完成动作。GPT 模型运行在 Codex 中，Claude 使用 Claude Code，Gemini 使用 Antigravity。八项测试均为零样本尝试，不会为了当前题目再训练一次。

首批五款模型的综合成绩已经公布：

• GPT-6 Astra：69.4 分
• GPT-6.1 Sol：64.6 分
• Gemini 4 Argon：55.3 分
• Claude Opus 5.5：48.8 分
• Claude Fable 5.1：46.3 分

不过，分数不是成功率。每道题满分 100，没完全做成也可能拿到过程分。因此，Astra 虽然总分最高，八道题中拿到满分的是四道；排第二的 Sol，反而有五道满分。

最简单的两项任务，五个模型全部过关：用夹爪按下红色按钮，以及把一只鳄鱼玩具完整放进指定方框。这些操作已经难不住今天的前沿大模型。

再往后，差距迅速拉开。Astra 能把瓶里的饮料倒进杯子，还能握着笔在纸上写出「hello world」，却在测量盒子长宽高的任务中拿了零分。Sol 完成了收纳积木、形状匹配和写字，却没能倒好水。搭积木塔更是让所有模型都没拿到满分。

半小时完成一项任务，人类只要20秒

五款模型中，除了 Gemini 4 Argon 平均耗时约 52 分钟，另外四款完成一项任务大约都要半小时。而 Artificial Analysis 给出的人工直接操作基线，平均只需约 20 秒。

按红色按钮这样的小事，Astra 花了 2.2 分钟；Claude Fable 5.1 甚至花了约 10 分钟理解场景、规划动作，才开始第一次操作。

钱也没少花。Astra 平均每项任务的模型调用成本达到 16.36 美元，Sol 只要 1.93 美元，分数却仅相差 4.8 分。对于未来要在家庭、仓库里连续工作的机器人来说，能完成一次，和能以合理成本每天完成上百次，是两回事。

为什么只是移动一只机械臂，大模型就要琢磨这么久？Artificial Analysis 拆解了整个任务过程。以 Astra 为例，它有约 20% 的时间用于理解环境和机械臂，约 59% 用于规划动作，实际机械臂运动只占约 13%。Sol 的情况类似：61% 的时间在规划，机械臂运动也只有约 13%。

它们看起来像一个第一次走进实验室的人：先观察机械臂怎么动，再写程序、试探位置、检查画面，确认无误后才发出下一道命令。动作本身往往只需要几秒钟，前后的思考却可能持续数分钟。

抓取成功率最低只有28%，失败片段五花八门

慢还不是全部问题。在六项涉及抓取的任务中，Astra 的抓取成功比例为 45%，Claude Fable 5.1 为 44%，而 Sol 只有 28%。模型明明已经找到目标，夹爪却可能闭合在物体旁边；有时刚抓起来，瓶子又从指间滑落。

官方整理的失败片段里，还有不少令人印象深刻的场面：

• 机械臂为了调整鳄鱼玩具的位置，反而把已经放进框里的玩具推了出去
• 抓取瓶子时手腕碰到托盘，使瓶子越来越难够到
• 倒水快结束时没有考虑水流位置变化，最后一部分饮料洒到了杯外

这些错误很难靠「再想一会儿」全部解决。真实世界里的物体会滑动、倾倒、变形，手指和物体接触时还会产生摩擦与碰撞。机器人需要根据运动和接触反馈及时纠错，而不是每动一下都等待大模型重新规划。

这也是专业具身模型仍然有发挥空间的地方。VLA、底层运动策略和控制器长期处理的，正是如何把视觉和任务目标快速转换成连续、稳定的动作。

当然，这份榜单还没有把通用 Agent 与专用 VLA 放到同一套条件下直接较量。八道桌面题目也无法代表全部机器人任务，更不用说双手协作、柔性物体操作和长时间自主工作。

但它至少让争论前进了一步：通用大模型能完成真实操作，已经有了成体系的证据；它们距离高效、可靠地执行真实工作还有多远，也第一次在这组任务里被具体地量了出来。

AA-Robotics v0.1 的首批名单中，还没有中国模型。那么，下一批会不会出现 Qwen、Kimi、GLM 或 DeepSeek？如果放到同样的机械臂、同样的任务里，国产模型能否用更低成本追上甚至超过这些国际头部模型？

这或许比单纯争夺一张榜单的名次更值得期待。机器人行业下一阶段要比的，已经不只是「谁能让机械臂动起来」，还有谁能让它动作快一点、抓得准一点，以及成功之后，知道什么时候该停手。