商汤用8个真机平台测GPT-6-Astra：仿真近满分，上真机频频失手

在仿真评测里接近满分，放到真实机器人上就频频出错。商汤给GPT-6-Astra做的这轮具身智能测试，结论大概就是这样。

这次测试由商汤牵头，联合了多家高校和企业团队，规模不小：12项仿真评测，8个真实机器人平台。要回答的问题是，OpenAI这个模型能不能从“会想”走到“会干”。

在仿真环境里，测试方给了一些便利条件，比如允许它做上下文学习，动作步数的上限也调宽了。这样一来，GPT-6-Astra在很多老牌具身评测上拿到了接近满分的成绩。

换到真机，情况就变了。

需要精细接触的操作、步骤很长的任务，它的失误明显变多。研究点出的核心问题不在动作本身，而在它判断不准自己有没有做成。抓没抓住、放没放到位，它常常以为成功了，实际并没有。一旦出错，它也很难自己补救回来。真机上每次试错都有实打实的成本，这让它离真正部署还有一段距离。团队给出的整体评价是，GPT-6-Astra具备了基本的具身能力，可要真正实用还差得明显。

这份报告更值得看的，是对评测体系本身的批评。在商汤团队看来，传统基准分数偏高，是因为题目跟真实家庭场景的需求差得太远，评测应该往日常生活的方向调整。

他们也拿出了自己的方案，叫SenseNova-RoboRSI具身系统框架。思路是不更新基础模型的权重，而是利用执行中的反馈，让机器人递归式地自我改进。

只是这套框架目前公布的效果，也还是在多项仿真评测里验证的。