运动学研究显示，GPT-6 Astra 可能用特定机器人的数据训练过

OpenAI 在 9 月 3 日发布 GPT-6 Astra 时，机器人学界面对着一个令人不安的问题：一个并未宣称有任何机器人方向专长的通用语言模型，真的胜过了多年来专门针对机器人训练的研究成果吗？11 月初发表的一项独立分析，让这个说法变得复杂起来。研究者 SwannAiden 所做的一项系统性运动学评测，用机器人关节控制的数学问题测试了 50 个大语言模型——结果发现，Astra 以及 GPT-6.1 Sol 和谷歌的 Gemini 4 Argon 给出的答案，更像是记住了某一款特定机械臂的知识，而不是从物理第一性原理推导出来的运动学推理。

GPT-6 Astra 的机器人基准成绩在 9 月震惊了业界

这个模型出人意料的机器人表现，在发布后几天内就开始浮出水面。一份早期评测报告于 9 月下旬发表，记录了 Astra 如何以大幅领先竞争模型和专用架构的优势，登上 RoboDojo 排行榜第一，在 2100 多次试验中平均成功率为 22.48%——这个数字让研究者把该模型的能力分布描述为在不同任务类型之间严重两极分化。

最受关注的具体数字来自独立机器人基准机构 RoboCurve。在它的「把积木放进碗里」操作任务中——用机械臂把一块木块放进碗里——Astra 20 次中成功 19 次，成功率 95%，而 Anthropic 的 Claude Fable 5.1 在同一任务上为 40%。

Galbot 团队在 9 月 29 日以 arXiv:2609.38537 发表的、覆盖六个机器人领域的系统评测，在更广泛的条件下进一步印证了这些分数。OpenAI 并没有把这个模型描述为专门的机器人控制器，于是业界只能通过实验去摸清，它的空间推理能力究竟能在多大程度上延伸到物理操作中。

最全面的一份独立评估出现在 10 月 15 日，一项由 60 位作者完成的 SenseNova 研究在 12 个基准和 8 种实体机器人配置上评估了 Astra。在标准步数预算下，Astra 在 SIMPLE（一项双臂 Unitree G1 任务）上取得了 25.6% 的成绩，在该预算水平上与 π0.5 持平。把步数预算提高到标准的 10 倍后，它达到了 61.5%。这项研究的结论是：Astra「在很大程度上已经跨过了具身能力的门槛，但尚未跨过实用具身智能的门槛」——这句话准确概括了到 10 月中旬业界所处的模糊状态。Artificial Analysis 的 AA-Robotics 基准则给速度差距提供了一个更具体的参照：所有在六轴机械臂背后运行的前沿大语言模型，完成同一任务的速度都比人类慢大约 100 倍。

运动学测试揭示了模型内部的什么

SwannAiden 的研究，采用的方法与任务完成类基准截然不同。它不衡量 Astra 能不能把积木放进碗里，而是测试模型能否正确解出机器人关节控制背后的数学问题，以及它的答案究竟锚定在题目所描述的机器人上，还是锚定在它可能在训练数据中见过的某个机器人上。

正运动学计算的是：给定一组关节角度，机器人的末端执行器——通常是夹爪或腕部工具——会处在三维空间中的什么位置。逆运动学则反过来：给定一个目标位置和姿态，计算达到它所需的关节角度。这两种变换都由机器人的运动学结构决定，并用 Denavit-Hartenberg（DH）参数加以形式化：这是一种标准的、每个关节四个数的描述，涵盖连杆长度、连杆扭角、连杆偏移和关节角度。不同的机器人有不同的 DH 参数，这些差异会直接传导到正运动学和逆运动学的解上——对一台机器人正确的答案，换成另一台就是错的。

要理解这个测试设计为何具有区分力，就需要先弄清 DH 参数究竟规定了什么。串联机器人的每一个关节，都由四个标量完整描述：连杆长度（下一个关节沿前一个关节轴偏移多远）、连杆扭角（相邻两个关节轴之间的夹角）、连杆偏移（沿新关节轴的位移），以及关节角度（绕该轴的转动）。以Franka Emika Panda 的第一个关节为例，标准 DH 参数化规定 a=0、d=0.333、alpha=0，关节角 θ₁ 为自由变量。后续每个关节都会加上自己的四个值，完整的正运动学解，是由一串 4×4 变换矩阵——每个关节一个——依次相乘计算出来的。正是这些参数的具体数值，把一台机器人的运动学与另一台区分开来；它们是精确的物理常数，而不是可调的变量。

这个实验设计在一个特定意义上是对抗性的：给模型一台完全虚构的机器人的 DH 参数——几何上看起来合理，但这套规格不可能出现在任何训练语料中——然后要求它为这台机器人求解正运动学和逆运动学问题。一个真正具备运动学推理能力的模型，应该给出与所提供参数一致的答案，因为计算所需的全部信息都在提示里。而一个从训练数据中记住了某台特定机器人运动学的模型，可能反而会给出与那个平台物理特性相符的答案，把题目给定的 DH 参数当作噪声或直接覆盖掉。

在测试了 50 个模型之后，SwannAiden 发现，大多数大语言模型——包括 Anthropic 的 Claude 系列——给出的运动学答案都遵循题目中给定的 DH 参数。有三个模型，即便面对的是完全不同的机器人规格，给出的答案也始终与 Franka Emika Panda 的物理特性相吻合：GPT-6 Astra、GPT-6.1 Sol 和谷歌的 Gemini 4 Argon。这些模型并不是单纯答错了运动学题；它们是在解一道运动学题——只不过解的是另一台机器人的。

这种行为模式，与记住了 Franka 平台特有的训练数据相一致：模型权重中编码的 Franka Panda 运动学信息强到足以覆盖提示层面给出的 DH 规格。

为什么 Franka Panda 主导了开源机器人数据生态

在探讨数据构成这一解释之前，值得先提一下 VLA 社区另外记录过的、机器人训练中的过拟合现象。普林斯顿大学 2025 年一项关于从 VLM 转换到 VLA 的研究（arXiv:2509.22195）发现，用机器人轨迹数据对大型视觉语言模型进行标准微调，会导致「灾难性遗忘」——模型为了拟合机器人数据集的分布，覆盖掉了自己的通用推理能力。SwannAiden 所研究的反向失效模式，代表了同一现象的另一个方向：不是模型在机器人微调后丢失了通用知识，而是一个通用模型保留的特定机器人知识强到足以干扰提示下的推理。这两项结果都表明，「通用智能」与「机器人训练产物」之间的界线，比架构描述所暗示的更模糊。

公开可得的机器人训练数据的构成，让过拟合这一假设变得格外可信。Franka Emika Panda 并不只是众多热门研究平台之一；它是开源机器人数据集生态中占主导地位的具身形态，而 2021 到 2025 年间大多数学术研究，都是在这个生态上训练的。

例如，DROID 数据集是规模最大的开源机器人演示数据集之一，包含 7.6 万条轨迹，全部采集自同一种平台：Franka Panda。Open X-Embodiment 数据集汇集了多个平台的演示数据，但由于这款机器人在大学实验室中极为普及，其中相当大一部分是 Franka Panda 的数据。RoboCasa 仿真环境默认使用 Franka Panda 配置。结果是：任何在大范围互联网文本、研究论文、GitHub 代码库和大学课程资料上训练的模型，所接触到的 Franka Panda 运动学内容——已公开的 DH 参数、正逆运动学求解示例、关节角数值表——都会远多于其他任何单一平台。

这就造成了一个统计上的混淆因素，使得真正的运动学推理与数据检索难以区分。当一个模型在 Franka Panda 任务上取得成功时，它调用的可能是对该平台确切关节结构的内嵌知识，而不是在运用通用的物理推理。SwannAiden 的实验，正是通过使用不可能出现在任何训练语料中的虚构机器人参数，来把这两种可能性区分开——而这也正是 Astra、Sol 和 Gemini 4 Argon 身上的异常之所以重要的原因。

值得注意的是，这一发现横跨了来自两家不同机构的两个不同模型家族——OpenAI 的 GPT-6 Astra 和 GPT-6.1 Sol，以及谷歌的 Gemini 4 Argon。这种跨实验室的模式，降低了该结果只反映某一家实验室刻意训练方法的可能性。它反而提出了另一种可能：这一现象反映的是互联网规模训练数据本身的构成——在公开可得的技术资料中，Franka Panda 的运动学内容本来就被过度代表了。

OpenAI 尚未披露是否使用了机器人数据

OpenAI 尚未公开确认 Astra 的训练是否包含了专门的机器人演示数据。根据AI 问责实验室发表的第三方透明度研究，OpenAI 依据欧盟《人工智能法案》为 GPT-6 Astra 提交的训练摘要，涵盖的是「公开可得的数据、合成数据和人工生成的文本」，数据采集截至 2026 年 4 月，并使用了更早的 GPT-5.x 模型来生成合成数据。这份摘要列出的数据类别，细致程度不足以判断其中是否包含机器人轨迹或运动学数据，也无法判断合成数据生成流程是否包含物理仿真的输出。

这种不透明并非 OpenAI 独有；它是前沿模型开发的一个结构性特征。详细的训练数据披露，会暴露专有的数据筛选决策和数据来源策略。欧盟《人工智能法案》对高能力通用 AI 模型的训练数据透明度要求，只需要摘要级别的披露，解决不了关于小众技术数据集的问题。目前没有任何监管要求，强制 OpenAI 说明 Astra 的预训练或微调中是否包含机器人演示数据。

OpenAI 已经确认的是，GPT-6 Astra 是在位于得克萨斯州阿比林的 Stargate 数据中心用超过 10 万块 GPU 训练的——这样的算力规模，既与广泛的互联网覆盖相符，也不排除在通用文本和代码之外，还纳入了专门的领域数据集。

Astra 在真实世界控制中仍有哪些不足

运动学过拟合的发现，需要与基准测试早已勾勒出的另一幅局限图景结合起来理解：GPT-6 Astra 的具身控制表现，虽然相对其他通用模型令人印象深刻，但距离可以投入生产的自主机器人部署仍相去甚远。

SenseNova 那项 60 位作者的评测，是迄今发表的最严谨的评测之一，它指出了五个开放问题，涉及把 Astra 单独用作具身控制器的情形：上下文学习的泛化性（模型能否从给定的上下文演示中可靠地提取出有用的控制策略）、成本与执行时间、物理状态核验（判断机器人实际改变了世界中的什么）、从不可逆的物理失败中恢复，以及在长时程任务中保持任务进度。把 Astra 作为高层「系统 2」推理器，与 π0.5 这类低层「系统 1」VLA 控制器搭配，能在各基准上改善结果，但 SenseNova 将这种搭配描述为「代价高但有效」——而不是一种生产级架构。

英伟达的 Astranomy 研究于 10 月 14 日由英伟达西雅图机器人实验室发表，专门考察了智能体式的工具调用能否大幅提升 Astra 作为原生机器人策略的表现。这项研究只在 RoboLab-120 仿真环境中测试，发现智能体策略方法的成功率为 74.8%，直接策略为 66.3%——在受控条件下是一个有意义的提升——但每次推理调用平均耗时 18.56 秒，且研究没有报告任何真实硬件上的试验。

对于正在评估是否要围绕 Astra 这个机器人控制器搭建生产系统的从业者来说，这些局限会直接转化为工程约束。延迟差距——在 AA-Robotics 任务上比人类慢 100 倍——排除了需要低于 200 毫秒循环频率的反应式控制任务，包括动态平衡、接触密集的操作和换工具操作。这个模型目前无法在任何市售机器人计算平台上本地运行；它需要云端推理，价格为每百万输入 token 10 美元、每百万输出 token 50 美元，对于任何需要持续交互循环的应用，都意味着可观的持续运营成本。对于那些任务离散、定义清晰、能容忍以秒计的思考时间、并使用在公开数据集中占比较高的平台的应用——这些条件恰好描述了当前大多数基准场景——Astra 的表现是真实而重要的。超出这些条件之外，支持其实际部署的证据就很单薄了。

什么才能真正回答「能力涌现」这个问题

SwannAiden 的研究是发布在 GitHub 上的一项系统评测，而不是一篇经过同行评审的论文。如果能用不同的虚构机器人几何结构、不同的测试方法进行独立复现，并与明确训练为从物理第一性原理出发推理的模型做对照比较，就能大大加强或削弱它的结论。

这里更大的模式，在语言建模领域早已为人熟知：一个在互联网规模文本上训练的模型，会学会复现与特定答案类型相关的模式，而基准评测者往往要等到基准中加入训练语料不可能覆盖的对抗性条件时，才会发现这一点。这个问题的机器人版本，在某些方面比语言版本更尖锐，因为运动学是一个有确切正确答案的封闭数学领域。当一个模型给出的错误答案恰好是另一台机器人的正确答案时，这个错误就毫不含糊——它精确地揭示了是哪些训练数据影响了回答。正是这种诊断上的精确性，让 SwannAiden 的方法值得认真对待，哪怕它还没有经过正式的同行评审。

研究界要回答「能力涌现」这个问题，需要的不是在现有平台上跑出更多基准分数。SenseNova 研究提出的下一代基准方法，指出了正确的设计方向：任务来自真实世界的实际需求，而非当前机器人的能力范围；评测时不提供领域内的演示（这样模型就无法套用见过的解法）；并以一个在模型思考时持续前进的世界时钟来测试——这些条件会消除 Astra 目前所利用的全部三项优势。

谷歌 10 月在 Gemini 4 Argon 上开展的工作——SwannAiden 的研究同样标记出它存在 Franka Panda 过拟合——正朝着部署带有专用机器人接口、用于场景重建和策略优化的模型推进。这种运动学异常究竟反映了 OpenAI 和谷歌共享的训练数据构成，还是两家机构都进行了刻意的机器人微调，凭目前的证据还无法判断。

VLA 领域的投资逻辑——即在定向机器人演示数据上训练的专用模型，是实现可靠物理控制的必要条件——单靠运动学过拟合的证据，既不能证实，也不能证伪。SwannAiden 的发现确实确立的是：9 月那些基准表格曾经那样有力地论证「通用智能将取代这一逻辑」，如今要为这个论点辩护，光靠基准表格已经不够了。一个对 Franka Panda 的 DH 参数比对它被问到的那台机器人还要熟悉的模型，展示的并不是源自第一性原理的物理直觉。它展示的是非常出色的记忆力——这是另一种能力，适用范围也不同。