返回文章列表

GPT-6.2 Astra具身任务成功率翻倍,柔性物体操作取得突破

阅读约 2 分钟

据机器人基础设施公司XDOF公布的Ember-0测试结果,GPT-6.2 Astra在双臂机器人执行的16项操作任务中,平均成功率达到41.2%;两个月前,GPT-6 Astra在同一组任务上的成绩为19.6%。这是提升21.6个百分点、超过原成绩两倍的进步。不过,41.2%仍意味着多数测试未能完全成功,不能解读为机器人已能稳定完成这些操作。

核心要点

  • 测试覆盖多种操作能力。 Ember-0包含抓取、空间推理、双臂协作、工具使用、精细操作和柔性物体处理等任务。XDOF称,每项任务重复测试30次,并使用六台YAM工作站并行运行;研究人员还标注操作子步骤、抓取失误与碰撞,以尽量区分模型表现和硬件、随机因素。
  • 柔性物体任务出现突破。 GPT-6.2 Astra完成了打结和展开T恤任务。XDOF此前累计进行143次有效T恤展开测试,尚无模型成功通关。另一项进步明显的任务是用夹子夹起面包:成功率从GPT-6 Astra的10%升至90%。这些结果说明提升并非只体现在单一操作上,但仍应结合各任务的重复次数理解。
  • 推理速度改善,实时性仍待解决。 报道称,模型平均预测延迟从15秒降至10.1秒。对于需要快速感知和连续修正动作的机器人而言,这一等待时间依然不短,尤其在没有触觉反馈、动作输出以分段形式进行的条件下,失误恢复可能代价较高。

展开衣物和打结之所以困难,在于物体形态会随抓取、拉扯持续改变。机器人必须从视觉信息中判断衣物角点、褶皱或绳索状态,再协调两只机械臂规划后续动作;若抓取位置或动作顺序不当,先前步骤可能失效。与杯子、箱子等形状相对固定的物体相比,这类任务更考验状态追踪、精细控制和长程规划的结合。

意义与边界

这组结果为通用多模态模型参与真实机器人操作提供了新的基准进展:它在不同类型任务上的成绩提升,显示模型可能更善于把视觉理解和任务规划转化为实际动作。不过,公开材料主要呈现单一评测体系的成绩,尚不足以证明模型可迁移到不同机器人、场景或未见任务。XDOF也认为Ember-0可能逐渐接近模型能力饱和,后续评测需要增加难度和多样性。更重要的是,41.2%的总体成功率和约10秒的推理延迟都提醒业界:基准上的突破,距离可靠、快速的日常机器人应用仍有差距。

来源:量子位

评论

正在确认登录状态……

正在加载评论……

相关文章

CCTest · Blog
ZeroVLN:让视觉语言模型用自然语言指挥导航,而非重训其“大脑”
机器人与物理 AI
cctest.ai
机器人与物理 AI

ZeroVLN:让视觉语言模型用自然语言指挥导航,而非重训其“大脑”

ZeroVLN 将导航决策与连续动作执行拆分:视觉语言模型通过自然语言工具调用表达移动意图,再由动作专家负责落地执行。论文称,该方法无需对模型大脑进行导航领域监督微调,并在三个基准上超过所比较的分层导航方法。

阅读全文