大模型要不要改机器人的每一步？GPT-6 Astra只动了14.4%

《三年面试五年模拟》AIGC / LLM / AI Agent 算法工程师与开发工程师求职面试秘籍，独家资源见 WeThinkIn/AIGC-Interview-Book，欢迎 Star！
AIGC / LLM / AI Agent 算法岗与开发岗求职面试内推学习社群 ，涵盖 AIGC、LLM 大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI 等方向的最新面试干货与核心知识，欢迎加入(https://t.zsxq.com/33pJ0)！

论文标题：GPT 6 Astra as an Embodied Policy

论文作者：银河通用（Galbot）

发表时间：2026年9月

本文要点

（1）GPT 6 Astra as an Embodied Policy是2026年9月挂出的匿名评测，无arXiv。源码里带银河通用标识，媒体随后点名作者来自银河通用，GitHub现已署Jiayi Su、Yixin Zheng、Mi Yan、Li Yi、Zhizheng Zhang、He Wang。

（2）RoboDojo所选十个双臂任务上，混合架构平均分62.60 、成功率48%，Direct为37.81和26%。Astra只改了**14.4%**的已执行控制步。

（3）做法是π0.5每次给出一条50步关节候选，Astra审核正运动学轨迹后二选一，沿用前1到15步，或自己出1到5步末端修正。

（4）短板在接触稳定。Direct搭塔Score 12、麻将杠牌0。RoboLab语义抓放上Direct反而到49/50，说明学生策略不适配时，加一层再改不一定更高。

（5）文末附配套数据集卡上的轨迹读取示例。

2026年9月12日前后，GitHub Pages上出现一份匿名评测，题为GPT 6 Astra as an Embodied Policy。报告页data.json记录的生成时间是9月13日，没有arXiv编号。

发布时作者栏是空的。仓库源码里放着银河通用的logo。36氪等媒体随后写明，作者来自银河通用（Galbot）。公开仓库现在署了六个人的名字，Jiayi Su与Yixin Zheng共同一作，Li Yi、Zhizheng Zhang、He Wang为通讯作者。

我把报告正文、scores.csv、配套Hugging Face数据集和开源控制器对过一遍。媒体多在谈差距焦虑。下面只拆技术。

同一张图里，官网仿真榜整体前十个模型按这十个任务重新加权。最高的是GalaxeaVLA (G0.5)的38.26 。混合架构62.60，相对这个数大约高出64%。报告正文没有写这句百分比，两个分数在Figure 3用的是同一张表。

一、π0.5候选与Astra混合控制

任务是仿真双臂操作。机器人是ARX X5，动作14维，左右各六个关节加一个开合，控制频率25Hz。观察为头部与双腕RGB，外加本体状态。两组都用gpt-6-astra，推理设置为xhigh。

混合控制每个决策时刻只走一条路。π0.5看当前图像、14维本体和任务指令，生成一条50步、每步14维的关节空间候选。Astra拿到同一份观察、执行历史，以及这条候选对应的双臂正运动学轨迹，然后二选一。

沿用候选的前1到15步，或自己出1到5步末端位姿修正。走完这一段，再看新画面。两条分支不同时执行。Direct不启动π0.5，Astra直接出双臂末端目标和夹爪，每次1到5步。

圈里有人把这套做法叫成Top-K候选再让大模型挑。报告里的实现更窄。π0.5每次只吐一条50步轨迹，并不是K条独立采样。Astra决定的是用不用这段前缀，以及要不要改写成末端指令。

末端位移保护5cm，姿态0.35rad。π0.5用的是RoboDojo放出的任务微调权重。Python只做校验、仿真连接和记录，动作选择由模型完成。

二、RoboDojo十任务评测协议

十个任务按π0.5官方成功率从0%到72%切成四段，从低到高分别取6、2、1、1个，一共十个。选型偏向仍有改进空间的任务，覆盖语义分类、顺序记忆、装箱、搭建和柔性物体，不以高精度插接为主。

每个任务跑5次，两种策略在任务、场景以及eval、layout、reset、initial、policy seed上逐条对应。数字摆放、装箱、折衣带泛化场景，用2次标准加3次随机。其余任务用5个标准布局。

成功率看最终是否成功，Score看部分完成，都用RoboDojo原生判定。仿真器确认终止才算终局，多数任务还要求机械臂归位。官方模型成绩按相同任务子集和标准/随机配比重新汇总，并不是同一组seed的重跑。

配套数据集写明，Direct有两条轨迹因仿真器RPC空闲超时被判为评测失败。开源控制器把这条规则写成900秒空闲、不重试、native_score保持空值，不拿零去填，但仍计入成功率分母。两条分别落在按语言分类和装箱。

所以Direct的平均Score按48条有原生分的轨迹计算，是37.81。成功率仍按50条算，是26%。混合架构50条都有原生分。缺分就写缺，这个处理比把超时当零分干净。

三、混合架构RoboDojo均分62.60

先把报告Figure 3用到的关键数字放在一张表里。官方模型是同子集重新加权，不是这次实验的同seed对照。修正步比例和token只对本次实测两条策略有记录。

策略	来源	平均Score	成功率	Score条数	修正步比例	记录token
π0.5 + GPT 6 Astra	本次实测	62.60	48%	50	14.4%	约624.8M
GalaxeaVLA (G0.5)	官网重新加权	38.26	30.95%	未报告	未报告	未报告
GPT 6 Astra Direct	本次实测	37.81	26%	48	0（不跑π0.5）	约1.13B
Xiaomi-Robotics-1	官网重新加权	33.97	25.51%	未报告	未报告	未报告
OpenWAM-α	官网重新加权	32.73	23.07%	未报告	未报告	未报告
DM0.5	官网重新加权	31.82	22.04%	未报告	未报告	未报告
π0.5	官网重新加权	24.43	15.67%	未报告	未报告	未报告

混合策略50次里成功24次，Direct成功13次，成功率48%对26%，差22个百分点。π0.5在同一子集上的公开参照是15.67%成功率和24.43分。报告自己写，这十个任务按π0.5成功率分层，偏向低成功率，结果只刻画这个子集。

拆开看更清楚。物体分类上Direct拿到100分、5次全成。按语言分类Direct平均60、成功率40%，还高于混合的38分和20%。语义识别这条，通用模型自己下场已经很强。

接触密集的任务反过来。搭塔Direct平均12、成功率0，混合到64分、成功率60%。麻将杠牌Direct是0，混合到40。叠衣服Direct 40到混合100，瓶子入桶Direct 36到混合100。

整理桌面两边成功率都是0，Score则是混合60、Direct 30，说明部分完成有分，任务仍没做完。模仿排序Direct是0，混合53分、成功率40%。

四、Astra仅改写14.4%控制步

50条混合轨迹一共执行42,750 个控制步。其中36,576步沿用π0.5，占85.6%。Astra实际改写6,174步，占14.4%。模型在决策点持续审核候选，真替换下去的动作只是一小截。

报告把这截修正归成三类。一类改grounding，目标物体、摆放位置、操作方向选错了，按指令和画面把动作拧回来。一类做非抓取接触，先拨、先推、先换接近方向，再交给π0.5继续抓。

剩下那种情况是模型发现仿真器还没终止，猜漏了物体、姿态不对或结构没达标，再去验证。

接触仍然会翻车。反复抓取失败、碰到容器边缘、任务进度已经丢了却没及时认出来，都会把原生步数预算耗光。

模型只在动作段边界收观察，段内滑落要等到下一段才能看见。报告把反馈粒度写成结构性限制，不是某一条轨迹的偶然。

选定轨迹累计记录的token，混合约624.8M，Direct约1.13B，混合少约44.8%。Direct的动作段数量大约是混合的2.05倍，要更频繁地自己构造和检查低层动作。

token含缓存输入，只统计入选轨迹，不含此前重试，也不是账单金额。

物理时长按控制步数乘0.04秒，不含模型等待。Direct平均物理时长更短，提前失败也会截短轨迹，报告明确说不能据此判断端到端效率。

五、Direct末端控制与RoboLab评测

没有π0.5的候选当参考时，Astra会从任务语义出发自己编方案。报告给过一个瓶子入桶的例子，Direct尝试用手臂把瓶子扫进桶，这条最终失败。

同类尝试还包括单手抓搭塔板、用单臂做更适合双臂的整理。方案有新意，执行不稳定。提出一种可能有效的操作，和把抓取姿态、支撑、释放时机做稳，是两件不同的事。

两边都接收本体状态。Direct的困难在于把关节限位、姿态和接触关系写成够得到的末端目标，于是重复尝试、控制失效。

数字摆放里也有一次恢复，运动受阻后模型根据控制反馈改动作再继续。报告把它写成对控制约束的局部适应，不是状态输入缺失。

RoboLab是另一组单臂Franka任务，十个任务、每方法5次。报告选的多为带语义要求的抓放。这里的排序和RoboDojo相反。

Direct成功49/50，成功率98%，9个任务5/5。混合46/50，成功率92%。π0.5与Cosmos3-Nano-Policy都是18/50，DreamZero是17/50。

RoboDojo用的是任务微调后的π0.5。RoboLab测试任务没有训练数据，三个基线都是DROID权重零样本。π0.5单独只有36%时，它的候选可能变成要改的包袱。

报告还写明，RoboLab只是另选10个任务的最终评测槽位，不是全榜复现。历史基线与Astra没有保证完全相同的初始状态和控制配置，部分Astra实验含授权重试。

98%适合看作这组语义抓放上的能力上限，不宜直接当成同条件榜首。除这一节外，token和时长都来自RoboDojo。

六、轨迹数据集读取实践

下面是配套数据集卡给的读取示例。Python 3.10以上，NumPy和Pillow就能读，不需要GPU和仿真器。

bash 复制代码

pip install -r requirements.txt

python 复制代码

from huggingface_hub import snapshot_download
from reader import Dataset

root = snapshot_download(
    repo_id="YuMoool/astra-robodojo-rollouts",
    repo_type="dataset",
    local_dir="./astra-robodojo-rollouts",
    allow_patterns=["*.json", "*.jsonl", "*.md", "*.py", "requirements.txt", "LICENSE",
                    "episodes/*/fold_clothes/*.core.zip"],
)

dataset = Dataset("/path/to/download")
record = dataset.select(method="hybrid", task="fold_clothes")[0]
with dataset.open(record["episode_id"], verify=True) as episode:
    print(episode.metadata["case"], episode.metadata["outcome"])
    for decision in episode.decisions:
        obs = decision.observation(images="preview")
        proposal = decision.pi05_proposal  # raw_actions/actions, each (50,14); None for direct
        reason = decision.requested_response.get("reason")

数据集是评测记录，不是训练集。100条入选轨迹，十任务、每任务五个固定实例、两种方法。不含丢弃的重试、早期试跑、RoboLab，也不含单独跑的π0.5基线。全部记录使用gpt-6-astra和xhigh。

python validate.py /path/to/download --require100会重算报告里的成功次数和Score。数据集卡写的是混合24/50、Direct 13/50，Score为62.60对37.8125。完整观测包体积很大，只读决策预览即可核对结构。

七、总结与思考

这篇文章最值得看的是那道闸。熟练的物体交互先验负责连续动作，通用模型只在目标、几何或进度跑偏时改写。14.4%的修正步换来成功率接近翻倍。改写落在关键节点，大模型并不包办每一步。

对照并不干净。动作先验、动作接口、执行段长度同时变了，报告自己承认还没拆开各自贡献。十任务五次，统计精度有限。精选视频只说明行为机制，不能拿来估计失败类型的比例。

延迟仍是报告写明的未解问题。仿真允许停下来想，真实物理过程没有暂停。Direct在RoboLab语义抓放上接近全成，又提醒另一件事。学生策略若对不上任务，先提案再修正，未必比通用模型直接出末端指令更强。

参考链接

评测报告页 GPT 6 Astra as an Embodied Policy，2026年9月
评测代码 anonymous-report-421/eval-of-gpt-6-astra-as-policy
配套轨迹数据集 YuMoool/astra-robodojo-rollouts
基准 RoboDojo，2026年7月；官网 robodojo-benchmark.com
对比方案 π0.5；补充基准 RoboLab，2026年4月
模型文档 gpt-6-astra