动态 · 2026 年 11 月 11 日

大模型开始直接控制机器人,但成绩几乎都在模拟器里

Claude Fable 5.2 第一次把机器人控制写进发布页,第三方也测出 GPT-6 Astra 能直接当机器人策略;真机上的少样本学新任务交给了世界动作模型与 VLA,数字仍全是厂商自报。

大模型开始直接控制机器人

11 月 9 日,Anthropic 发布 Claude Fable 5.2,发布页第一次出现机器人成绩:RoboDojo 模拟(看摄像头画面控制双臂机器人)在最高推理档 64.9%,同表 GPT-6 Astra 为 29.8%、Opus 5.5 为 39.4%,官方称这些任务模型从没专门训练过。在这之前,第三方已经把 GPT-6 Astra 直接当机器人策略测过:RoboDojo 全部 42 个任务、2,100 次试验,平均 22.48%,超过 40 个公开的机器人策略(arXiv:2609.24170)。Google 则把 Gemini 4 Argon 定位成通用物理推理模型,具身推理问答 ERQA 87%(官方口径)。

这一期因此给「大模型」页的阵营 × 能力表加了第四列「物理世界」,与首页劳动阶梯的四级对齐,每格写明是模拟、真机还是问答。三组数字不能横比:Anthropic 的是自家内部跑的模拟,第三方测同一个 Astra 只有 22.48%,Argon 的 87% 是问答题而不是控制。

这条进展改变的是「谁来出动作」,没有改变「谁来验证」。第三方论文写明:Astra 强在语义类任务,精细操作、动态控制与双臂协调都弱;真机上它多是当高层规划者,底层动作仍交给专门的控制器。物理世界还在阶梯的最后一级,「行业早期」这条判断结论不变,稳定度改为「观察中」。

大模型:三个阵营换了旗舰,指数也换了版本

Anthropic:Fable 5.2 成为最强(Artificial Analysis 智能指数 v5.0.1 max 档 65,总榜第一),价格从每百万 token $10 / $50 降到 $8 / $40;官方自报 FrontierCode 2.0 49.1%、OSWorld 2.1 89.3%、Terminal-Bench-Science 74.6%。Google:Gemini 4 Argon 10 月 13 日全球开放,Gemini 4 Carbon 10 月 28 日先给网络安全防御方、11 月 10 日向所有付费开发者开放,Carbon 指数 60,成为 Google 的最强。OpenAI:9 月 29 日 DevDay 发布 GPT-6.1 Sol,官方称接近 Astra、价格约为其五分之一;原定的 GPT-6.1 Astra 没有发布,Astra(57)仍是 OpenAI 的最强。

国产开源:Kimi K3.1 Pro 11 月初在 Hugging Face 开放权重(2.8T MoE、104B 激活),智能指数 46,开放权重第一;MiMo-V2.6-Pro 在新版指数上是 30。开放权重与闭源第一档的差距是 19 分,而科研智能体任务上差得最多:Terminal-Bench-Science 上 K3.1 Pro 自报 38.1,Fable 5.2 是 74.6。

Artificial Analysis 在 10 月 27 日把指数升到 v5(11 月 3 日为 v5.0.1),换了评测组成,新旧两版的分数不能直接比较。各阵营「最强」的依据都按 v5.0.1 重写。

RSI:合入代码的占比从八成到九成

Fable 5.2 的发布页写道,合入 Anthropic 核心代码库的改动九成以上由 Claude 编写(有人类指导);年中报告里是八成以上。这是第 3 阶段「AI 加速 AI 研究」的又一条支持证据,同样是官方口径、衡量的是代码量而不是研究产出。四个阶段的状态都没有变。

传导:通用大模型直接当机器人策略

新增一条从大模型到世界模型的传导,强度给「有实测数据」,依据是公开协议、试验次数足够的第三方论文;同时标为有争议:成绩几乎都在模拟器里,Anthropic 的数字是自己跑的,真机上它多是配合专门控制器的高层规划者。下一个可核对的事实是,有没有第三方在真机上用公开协议复测这些模型。

AI4S:西湖大学两篇《自然》

蛋白质设计:Pinal 用一句自然语言描述想要的功能,先生成结构再设计序列,16B 参数权重开放。湿实验里有设计能用——代谢 H 蛋白 20 个候选里 5 个有效,最好的一个把固碳过程的产出提到天然蛋白的 1.7 倍——但荧光蛋白 29 条里只有 1 条发光,命中率低(数字经 phys.org 转述,Nature 原文本期未能直接打开)。

虚拟细胞:ProteinTalks 以蛋白质组而不是转录组为底座,用系统扰动过的乳腺癌细胞系上 3800 万条随时间变化的蛋白丰度数据训练,能预测药效与协同、给类器官排候选药;摘要没说明预测有没有经过新的湿实验。两条都只到作者自己的实验或基准评测,各方向的最高等级没有变化。

世界模型:会预测画面的机器人模型

NVIDIA 11 月 9 日发布 GR00T 2,称为「世界动作模型」:同一个扩散 Transformer 同时预测未来视频与机器人动作,用 40 万小时人类第一视角视频预训练。目标机器人从没见过的 50 个任务上,零样本 40% 的试验成功,每个任务给 1 个演示平均 71%、5 个演示 95%(官方口径,任务名称没有逐一公布);代码标注 12 月发布。这正是判断台账里「物理世界」那条在等的事——世界模型训练出的策略在没见过的真实任务上泛化——只差第三方复现。

DeepMind 两件:10 月 27 日的 Genie 4 让可交互世界带上原生音频、能用自然语言实时改镜头与天气,只给受信测试者,没有公布任何量化规格;11 月 10 日的 Gemini Robotics 2.5 是 VLA,200 个任务上官方称成功率比上一代高 30% 到 100%,在奔驰两条在产线上试点分拣零件成功率 96%,没有公布试验次数,只对机器人合作方开放。

一句话速览

  • Claude Fable 5.2:RoboDojo 模拟 64.9%(内部跑)、FrontierCode 2.0 49.1%、OSWorld 2.1 89.3%;输入 $8、输出 $40 每百万 token。官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 第三方把 GPT-6 Astra 直接当机器人策略:RoboDojo 2,100 次试验平均 22.48%,超过 40 个公开策略。arXiv:2609.24170
  • Gemini 4 Carbon 智能指数 60,11 月 10 日向所有付费开发者开放;Gemini 4 Argon 具身推理 ERQA 87%。Artificial Analysis;官方口径(blog.google)
  • Kimi K3.1 Pro 开放权重,智能指数 46,开放权重第一。Hugging Face 模型卡 moonshotai/Kimi-K3.1-Pro;Artificial Analysis
  • GR00T 2 同时预测未来视频与动作,5 个演示学会新任务的成功率 95%(官方口径)。官方口径(research.nvidia.com/labs/gear/gr00t-2)
  • 14 条判断全部复核,结论都不变;「物理世界还在早期」的稳定度从「稳定」改为「观察中」。判断台账 /judgments

撤下主列表

数据与链接都保留,在各页底部的「往期」里。

  • Claude Fable 5.1:由 Claude Fable 5.2 取代。
  • GPT-6 Sol:由 GPT-6.1 Sol 取代。
  • Gemini Deep Think:Google 的最强换成 Gemini 4 Carbon。
  • Gemini 3.8 Flash:Google 的最新换成 Gemini 4 系列。
  • MiMo-V2.6-Pro:国产开源只展示最强的一个;新版指数为 30,Kimi K3.1 Pro 为 46。
  • Genie 3:由 Genie 4 取代;能力矩阵只列系列最新版。
判断变化
14条判断在 2026 年 11 月 11 日 复核0条改变14条判断在台账里看完整判断台账 →
改变了什么

14 条判断全部复核,没有改变:新证据还不足以改写任何一条结论。

最接近改变的判断
本期数据变化
新增模型 · 8
Genie 4Gemini Robotics 2.5GR00T 2GPT-6.1 SolClaude Fable 5.2Gemini 4 CarbonGemini 4 ArgonKimi K3.1 Pro
能力矩阵变动 · 4
  • Genie 4 · 动作可控性 → 有演示无数据官方口径(Google DeepMind 博客)
  • Gemini Robotics 2.5 · 真机迁移 → 有实测数据官方口径(Google DeepMind 博客)
  • GR00T 2 · 规划与反事实 → 有演示无数据官方口径(NVIDIA GEAR 实验室)
  • GR00T 2 · 真机迁移 → 有实测数据官方口径(NVIDIA GEAR 实验室)
传导 · 1
  • 通用大模型直接当机器人策略有实测数据
    通用大模型不经机器人专门训练,已能在模拟器里直接控制双臂机器人,第三方测出的成绩超过全部公开的机器人策略;但成绩几乎都在模拟器里,真机上它更像高层规划者,离稳定可靠的控制还远。
RSI 证据 · 1
AI4S 条目 · 2
  • Pinal蛋白质与分子设计 · L2 设计
  • ProteinTalks虚拟细胞与生物基础模型 · L1 预测
新机构 · 西湖大学
← 全部动态