导读：当GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon进入同一个机器人仿真场，谁最会“动手”？RoboColiseum给出的答案有两层：Claude在这四款大模型中以76.28分险胜，但放到完整榜单，专用机器人策略Paimon仍以77.54分领先。大模型已经很会听指令、看空间，却在复杂连贯动作、模糊视觉和灵巧手任务中暴露出共同短板。
01 / 四款前沿模型同场肉搏：Claude只赢了0.29分
技术报告通过统一Agent2Act框架，把四款多模态大模型接入相同的观察、动作执行和反馈接口，并使用一致任务、固定随机种子与相同通用控制说明。
| 模型 | 总分 | 指令 | 空间 | 操作 | 鲁棒 |
|---|---|---|---|---|---|
| Claude Opus 5.5 | 76.28 | 96.60 | 82.50 | 46.70 | 79.30 |
| GPT-6 Astra | 75.99 | 99.35 | 78.33 | 45.86 | 80.42 |
| GPT-6.1 Sol | 70.90 | 95.50 | 77.71 | 40.01 | 70.40 |
| Gemini 4 Argon | 66.85 | 85.89 | 69.38 | 38.79 | 73.36 |
Claude Opus 5.5在四模型比较中总分第一，并领先空间推理与通用操作；Astra拿下指令跟随和鲁棒性。Sol总分第三，但报告同时把成本与Token消耗列为实际部署的重要维度。Argon总分较低，却在包裹分拣和部分长程任务中展现局部优势。
比较条件有一个关键限制：Astra、Sol和Opus使用high推理强度；Argon因API在high设置下批量评测过慢，使用medium。报告明确提醒，对Argon的比较同时反映模型差异与推理设置差异。
02 / 真正的冷水：大模型赢了“脑力”，操作仍输给专用策略
四款大模型在指令跟随和空间推理上得分很高，说明通用多模态模型已经能理解颜色、位置、目标和复杂语言条件。但到了开门、倾倒、上货、双臂配合等通用操作，四款模型的分数都明显下降。
完整官方榜单中，专用策略Paimon以0.7754的综合成绩高于Claude Opus 5.5的0.7628。换句话说，Claude赢的是这场“四款通用大模型内部赛”，还没有击败所有机器人专用模型。
当前大模型更像“脑子快、手还不够稳”的机器人规划者：它们知道目标在哪里、指令是什么意思，却未必能把连续接触、抓取、发力和姿态调整变成稳定动作。
03 / 摄像头一糊，成绩一起掉：视觉鲁棒性是共同命门
真实机器人不会永远得到干净画面。光照变化、镜头噪点、局部遮挡、相机偏移和背景变化都会影响判断。报告的扰动测试显示，图像质量下降会让四款模型全部退步。
相对各自指令跟随基线，图像质量扰动下Claude下降约0.20，Gemini下降约0.26，Astra下降约0.32，Sol下降约0.77。Sol的跌幅尤其明显。
这提醒真机团队：模型在高清仿真里成功，不代表低照度、运动模糊、灰尘、反光和传感器抖动下仍可靠。部署前必须主动加入坏画面，而不是只在漂亮数据上测试。
04 / “认识锅”不等于“会端锅”：交互提示暴露物理常识缺口
端锅任务非常典型。模型能够识别锅，却会选择不稳定的抓取位置，像拿着一件烫手物体；当提示明确指出抓住锅柄或两侧后，双臂操作明显改善。
二维识别回答的是“这是什么”，机器人操作还要回答“哪里能接触、怎样发力、怎样保持重心、接下来会发生什么”。语言知识可以帮模型理解用途，但精确接触仍需要几何、深度、触觉、动力学与动作反馈。
05 / 剥夺实验：反馈、深度、抓手说明和历史记录缺一不可
研究团队逐项移除控制框架中的信息，观察成功率、动作次数和耗时如何变化。拿掉动作偏差反馈后，指令跟随成功率从90%降至80%，平均规划决策从16.7次增加到35.6次，平均耗时从32.50分钟增加到58.26分钟。
移除深度信息后，成功率同样降至80%，平均控制步数增至158.2步。没有相机投影自检，机器人更容易反复抓取或让物体脱手；没有抓手几何和接触说明，模型会反复尝试不合适的手部姿态。
最直观的是历史记录：在四种“积木放进盒子”布局中，完整系统全部成功；移除历史后只成功两种。失败案例已经抓起积木，却在放置阶段重复同类动作，无法从先前失败中修正计划。
这说明机器人Agent的能力不只来自底层大模型。感知输入、动作接口、执行反馈、记忆和自检共同构成闭环，缺少其中一项，都可能让“聪明模型”变成反复撞墙的执行器。
06 / Astra走出桌面：全身协调、跨房间任务与跨本体控制
技术报告还用GPT-6 Astra探索更广的能力边界。它可以协调底盘、躯干和机械臂，完成拾取垃圾、开门、跨房间取饮料并放到餐桌等长程任务。
同一套Agent框架还能适配ARX、AgileX、G1、G2等不同形态机器人，完成棋子收纳等任务。跨本体能力很重要，因为它意味着高层规划与动作接口有机会复用，而不必为每台机器人重新建立完整语言系统。
但这些案例是能力展示，不代表所有任务都稳定成功。报告也指出回放片段的指令和布局可能不同，适合观察行为，不应直接当作成功率估计。
07 / 灵巧手仍是高墙：叠碗、取书、插线全部卡在最后几厘米
当动作从“大开大合”进入毫米级接触，大模型的优势迅速缩小。叠碗时，Astra能接近并接触目标，却无法形成稳定抓取；从拥挤书架取书时，它多次调整姿态仍然失败。
手机充电和插网线同样如此：模型能抓起手机或网线，却无法把接口方向、深度、接触角度和插入力控制到位。
即使补充手指和手掌几何信息，部分精细任务仍不能完成。这正是机器人专用策略、触觉模型、低层控制器和高质量示范数据继续存在的价值：语言模型负责理解和规划，专用系统负责把最后几厘米做稳。
08 / RoboColiseum提供了什么：四条榜单与可归因失败分析
RoboColiseum把评测拆成指令跟随、空间推理、通用操作和鲁棒性四条主线。任务覆盖颜色与逻辑指令、相对位置、堆叠与对齐、开门与倾倒、背景和光照变化、相机噪声、抓手变化等。
平台价值不只是给一个总成功率，还希望定位失败发生在哪一步：是没看懂目标、空间估计错误、动作不可执行、抓取后脱手，还是历史里没有吸收上一次反馈。这类诊断比单一榜单更接近真实研发。
平台称其高保真仿真与真机评测具有较高相关性，相同模型的仿真与现实表现差异可控制在10%以内。这是平台给出的校准结论，具体模型和任务仍应独立复测，不能把“虚拟即现实”当作无条件保证。
09 / 使用教程：30分钟评测之前，先把接口和安全边界准备好
- 选择评测目标：先确定要测指令、空间、操作还是鲁棒性，不要只追求一个总分。
- 部署本地推理服务：让模型在自己的环境中运行，通过平台标准接口接收观察并返回动作。
- 验证动作格式：先用少量样例检查坐标、关节、抓手与停止条件，避免格式错误浪费完整配额。
- 提交任务：登录平台创建提交，按生成参数连接推理服务并启动评测。
- 阅读分项与回放：把失败按感知、规划、动作、反馈和记忆分类，而不是只看排名。
- 真机复核：优先复测高频失败和高风险动作，加入急停、速度限制、碰撞保护和人工审批。
平台宣传最快约5分钟完成注册与提交、约30分钟返回结果；实际时间取决于任务、模型响应和队列。不要把访问令牌写进公开仓库，也不要让评测接口拥有真实机器人不必要的权限。
10 / 做视频网分析：通用大模型不会吞掉机器人策略，而会重新分工
这份报告最重要的结论，不是Claude比Astra高0.29分，而是四款大模型呈现出几乎一致的能力曲线：语言和空间强，连续操作弱；画面一差就掉分；没有反馈和历史就反复犯错；进入灵巧手任务，最后几厘米成为高墙。
我们判断，近期最现实的机器人架构会是分层系统：通用多模态模型负责理解目标、拆解任务和调用工具；VLA或专用策略负责技能执行；传统控制器负责实时稳定与安全约束；反馈和记忆再把执行结果送回高层Agent。
因此，机器人公司的积累不会被一个更强LLM瞬间清零。真正稀缺的仍是高质量动作数据、可靠技能库、触觉与深度融合、低层控制、硬件安全和真实场景验证。大模型改变的是上层入口与泛化方式，而不是让物理世界的细节消失。
站内导航与延伸阅读
- RoboColiseum导航：https://www.zuoshipin.com/link/56232.html
- Claude Opus 5.5导航：https://www.zuoshipin.com/link/45453.html
- GPT-6 Astra导航：https://www.zuoshipin.com/link/32152.html
- GPT-6.1 Sol导航：https://www.zuoshipin.com/link/53843.html
- Gemini 4 Argon导航：https://www.zuoshipin.com/link/53825.html
- Odyssey-3世界模型：https://www.zuoshipin.com/link/56181.html
- Atlas具身智能：https://www.zuoshipin.com/article/30915
- 更多AI资讯：https://www.zuoshipin.com/archive/75
