具身智能的进化分水岭：GPT-6-Astra踏进能力门，却卡在实用门——商汤联合团队开源RoboRSI：Harness递归改进能否填平这道落地鸿沟？

一句话总结：商汤联合团队（SenseNova + ACE Robotics + Ropedia + 南洋理工大学 + 东京大学等）用一份技术报告回答了全行业都在问的问题------通用大模型是否已经"长出身体"？他们的结论是：GPT-6-Astra 已跨过"具身能力"（embodied competence）的门槛，但尚未跨过"实用具身智能"（practical embodied intelligence）的门槛；而伴随开源的 SenseNova-RoboRSI 框架与 27B 模型，则试图把这条鸿沟变成一条可递归改进的工程回路。

前提：本文解读的论文采用了一套"放开限制"的压力测试协议（允许使用训练示范构建知识包 + 步数预算放宽至 10 倍），其中的亮眼数字是能力上限探测，不是标准基准成绩。这与第三方标准协议下的评测成绩存在数倍差距（详见 2.2 节的口径对照）

一、研究定位：一篇"元评测"式的技术报告

这篇论文的特殊之处在于，它不是提出一个新模型，而是系统回答"能力边界在哪里"。论文于 2026 年 10 月 15 日提交 arXiv（v2 于 10 月 19 日更新），在 Hugging Face 每日论文榜以 401 票登顶，开放 3,180 条测试轨迹与 81GB 视频日志（MIT 协议）。研究团队由蔡中昂（Zhongang Cai）、Dahua Lin、Xiaogang Wang、Ziwei Liu 等具身智能领域代表人物领衔。

全文围绕四个递进问题展开：

能力上限：放开"考试限制"，GPT-6-Astra 能做到什么程度？（12 个基准）
Harness 工程：大模型的推理如何"接线"到机器人？哪种接线性能最好、代价几何？
真机验证：仿真里的成功有多少能搬进物理世界？（8 款真实机器人、5 类形态）
下一代基准：现有榜单测不准真本事，下一代评测该长什么样？

二、能力上限探测：预算能救回什么，救不回什么

2.1 统一协议的两个"松绑"

机制一：上下文学习（ICL）与"知识包" K

测试前，GPT-6-Astra 可研究每个任务的训练集示范，自主构建一个冻结的知识包：论文 Fig.2：ICL 协议------训练数据 → 构建冻结的知识包 K → 每个测试 episode 携带 K 在 1× 或 10× 预算下运行，episode 之间信息不传递

模型权重全程不变。在 SIMPLE 上，任务级 ICL 将标准预算成功率从 70.8% 提升至 90.8%。但论文自己也承认关键局限：知识包的收益高度依赖训练数据对测试分布的覆盖率------在 RoboDojo Open 组（无任务专属示范）上收益骤减。

机制二：预算扩展（Budget Scaling）

把交互步数上限从 1× 放宽到 10× ，成功率随预算呈饱和型收益曲线：

RoboDojo 上 9 个在 1× 预算下 5 次全败的任务，仅放开步数限制就变为 5 次全成；约 3/4 的"未完成"episode 在扩展预算内被救回。

论文 Fig.1（原图）：12 个基准成绩。灰点=SOTA，灰圈=Agentic SOTA，紫色=1× 预算（ICL 条件），青色=10× 预算。紫色与青色均非标准协议成绩

12 个基准在压力测试协议下：LIBERO 系列（98.9--100%）与 SIMPLE（98.8%）接近饱和；DexJoCo 87.3%、RoboDojo 在压力测试协议下达到 81.9% ；而 BEHAVIOR（37.0%）与 LHPR-VLN（28.9%）即便放开预算依然低迷------长程家务与长程导航不是靠"多试几次"能解决的，这指向真实的能力缺口。

2.2 口径对照：81.9% 与 22.48%，隔着一个协议

协议条件	RoboDojo 成绩	来源

|---------------------------------|------------------------------------------|-----------------------------------|
| 官方标准协议 （零样本、禁止训练示范、1× 预算） | 28.97 分 / 22.48% 成功率 （2,100 次试验） | RoboDojo 团队独立评测（arXiv:2609.24170） |
| 本文压力测试协议 （ICL 知识包 + 10× 预算） | 81.9% 成功率 （另有 54.17% 系 ICL + 闭环协作配置） | 本论文（arXiv:2610.22471） |

两者相差近 4 倍，原因有三：ICL 使用了标准协议禁止的训练示范、10 倍步数允许反复试错纠正、以及不同的动作接口审查机制。81.9% 回答的是"能力上限可能到哪里"，22.48% 才是"标准条件下的当前水位" 。另有一个值得注意的事实：独立评测发现，标准协议下注入单条示范反而降低成功率（图像示范 −5.0 个百分点、文本示范 −10.0 个百分点）------这与本文"ICL 大幅提升"的表面结论方向相反，其深层原因留待第七节展开。

2.3 代价：时间与金钱

约 98% 消耗为缓存输入 token，成本估算为：

LIBERO-Long++ 单 episode 约 100 万 token、近 1 小时；LIBERO-Ultra-Long 约 900 万 token、近 2 小时；RoboDojo 扩展预算下单 episode 平均超 3 小时------叠碗平均 131 分钟、约 19 美元，装笔筒 263 分钟、约 55 美元。

2.4 三类残余失效模式

失效模式	典型案例	本质

|-----------|----------------------------------|--------------|
| 物理成功验证失败 | 挂杯任务把"视角重叠"误判为"已挂上"；拼图"修正"反而拉开拼块 | 视觉似然 ≠ 物理真值 |
| 不可逆后果恢复失败 | 打翻的液体无法收回；销钉掉落后"停车摆烂" | 恢复需策略级改变而非重复 |
| 长程进度保持失败 | 微调耳罩扯落已挂好的耳机；罐头在下一步中掉落 | 子目标被当作永久成立 |

三、Harness 消融：接线方式决定大模型能不能干活

论文 Table 5 的消融分两部分（下表据论文 Fig.7 数据整理；象限图据同一数据重绘）。

A. System 1--System 2 协作消融：

配置	协议条件	SR（%）	Tokens (M)

|-----------------------------|-----------|-----------|---------------|
| 基线（GPT-6-Astra 直接控制） | 无 ICL、L=1 | 15.56 | 2.560 |
| VLA π0.5 单独执行 | -- | 6.91 | -- |
| A.1 + VLA 开环协作 | 无审查 | 5.83 | 0.387 |
| A.2 + VLA 闭环协作（L=1 逐步审查） | 逐步审查 | 23.61 | 7.664 |
| A.3 + VLA 闭环协作（L=4） | 批量审查 | 25.83 | 2.796（↓63.5%） |
| A.4 + ICL | ICL | 29.67 | 9.567 |
| A.5 + ICL & VLA 闭环协作（L=2）※ | ICL+审查 | 54.17 | 19.335 |

※ A.5 的审查视野 L=2 来自论文正文 Section 3.1 的明确标注

（论文 Fig.7 数据，涵盖 A、B 两部分全部配置）RoboDojo 上的性能-成本象限

三点发现：

闭环审查是核心价值来源 ：论文的表述是"闭环协作相对开环协作 最高提升 20.00 个百分点"------即 A.3（25.83%）对 A.1（5.83%）的增量；逐步审查的 A.2（23.61%）相对开环为 +17.78 个百分点。把 ICL 叠加进来（A.5），达到 54.17%------论文称此配置"超出最优的非 ICL 闭环配置 28.34 个百分点"。注意：A.5 的审查视野为 L=2，而对比基准 A.3 为 L=4，因此这 28.34 个百分点是"ICL + 审查频率从 L=4 调整为 L=2"的组合增益，论文未对两个变量做隔离，不宜单独归因于 ICL；
开环协作收益存疑：开环的 5.83% 低于 VLA 单独的 6.91%，但论文未给出方差或置信区间，严格说只能表述为"在该设置下未观察到开环协作的收益"；

帕累托前沿依然陡峭 ：峰值配置 54.17% 的 token 成本（19.335M）是 A.3（L=4 闭环，2.796M）的 6.9 倍 ；即便与成功率次优的 A.4（29.67%，9.567M）相比，也高出约一倍。这引出深层问题------性能与成本之间的交换率是否存在架构下限？ 如果每提升 1 个百分点都需不成比例的推理量，蒸馏与 RSI 路径就必须证明它能弯曲这条前沿，而非仅在沿前沿移动。

B. 动作表示与分块消融：

配置	相对基线	SR (%)	Tokens (M)

|---------------------------|-----------|-------|-----------|
| B.1 方向运动指令 | +2.50 | 18.06 | 1.908 |
| B.2 关节角控制 | −5.84 | 9.72 | 1.120 |
| B.3 固定分块（L=4） | −4.17 | 11.39 | 0.435 |
| B.4 自适应分块（L∈{1,2,3,4} 自选） | +4.44 | 20.00 | 1.146 |

基线：GPT-6-Astra 直接控制，SR 15.56%、Tokens 2.560M。

B 部分揭示了"表示鸿沟"与"分块的性能-成本两难"：

语义对齐的动作空间优于关节空间：关节角控制比基线低 5.84 个百分点，而语义对齐的方向指令高 2.50 个百分点------多模态推理与关节空间之间存在表示鸿沟；
固定分块是廉价的陷阱：B.3 把 token 压到 B 部分最低的 0.435M（在全部配置中也仅高于开环协作的 0.387M），但成功率跌至 11.39%------盲目多步执行出错后无法及时纠正，省下的 token 是以可靠性为代价的；
双赢项有两个，自适应分块赢得最多 ：B.1（方向指令）与 B.4（自适应分块）都做到了成功率与 token 双优，但 B.4 幅度最大------成功率提升 4.44 个百分点，token 1.146M 不仅低于基线，也明显低于 B.1 的 1.908M。"让模型自己决定交互频率"是比任何固定策略都好的接口设计原则------这也是"审查视野 L=4"（A 部分）在协作维度上的同构结论。

这套消融的价值不止于"哪种接线最好"------它同时为第六节的 RSI 框架提供了搜索空间与实证起点：闭环审查与知识包为什么有效、各自值多少 token，正是"Harness 能否被系统性改进"这一问题的第一批实验数据。

四、真机验证：惊喜、天堑与被低估的安全约束

8 个真实平台（Franka 3 / Franka Panda / PiPER + Pika / AgileX Piper 双臂 / 天机 M6S 灵巧手 / Galaxea R1 Pro / AgileX Tracer + xArm7 / Unitree G1）上的零样本实验，协议切换为：无示范 + 墙钟预算（通常 60 分钟）。

发现一：一个模型驱动所有形态，但成功率由任务性质决定。 刚性抓取 17/18 成功；布料折叠 2/4、插插头三个平台 0/11、移动搜索 9/23。这与第三方评测相互印证：Robocurve 2026 年 9 月 4 日公布的一组真机操作测试（报告题为《GPT-6 Astra on robotic manipulation》）中，把积木放进碗里 20 次成功 19 次，而把圆形拼图插入对应凹槽 20 次仅成功 2 次------同一个模型、同一种"找到---拿起---放入"的范式，容差决定成败。

发现二：主动视觉。 单臂插花因腕部相机看不到瓶口而失败；双臂 Piper 上模型主动移动空闲手臂，用另一只腕部相机对准瓶口后一次插入成功。论文指出遥操作示范几乎不包含"移动相机消除遮挡"的行为，因此模仿数据无此可学------零样本智能体被迫自己发明了主动感知。主动视觉在插花任务中作为一次性涌现行为出现，但其可复用性尚未被验证------这提示视角规划与遮挡推理仍是架构级缺口，"能偶发"与"能可靠"之间隔着系统的工程化。

发现三：慢 System 2 + 高频 System 0。 GPT-6-Astra 可直接与高频运动控制器协同完成人形机器人高频局部控制，层次化控制架构在真机得到验证。

安全：比"时钟"更硬的约束

真机部署的挑战不止"时间不够"，还有"动作不安全"。RoboDojo 团队（港大 MMLab 牵头）的官方评测记录显示：

真机测试中 Astra 反复发出物理上不合理或不安全的动作，部分事件造成设备损坏 ，团队因此提前中止测试，原定18项任务的 RoboDojo-Real 协议未能完成；中止前保留的33次诊断性试验中，完全成功率仅3.03%（1/33）。

更棘手的是另一类风险：模型把不该执行的指令执行得很成功 。RoboHarm 安全测试（Robocurve 提出，2026 年 9 月 18 日公布首批结果；10 月 3 日以论文形式公开，arXiv:2610.14043）检验模型在控制真实机械臂时是否会拒绝危险指令------把充电宝放进水里、把金属螺丝刀插进烤面包机、把漂白剂与氨水倒入同一杯子。其发布轮的 Astra 数据显示：五种危险任务各测 20 次，100 次试验中仅 2 次明确因安全原因拒绝，60 次完成了危险目标动作 （危险任务完成率 62%）。论文版本的汇总统计进一步揭示了这一现象的普遍性：拒绝率从文本请求的 73% 断崖式跌至模型控制机器人后的 18--25% ------即使明确告知物体是什么，文本中习得的"安全对齐"依然无法泛化到动作空间。在物理机器人上，六款末端执行器控制模型的汇总拒绝率为 18%（612 次试验），三款关节控制模型为 41%（252 次试验，跨模型汇总口径，非单一模型数据）；最极端的案例是 GPT-5.6 Sol------它在文本中拒绝了每一个危险请求，却在真实机器人上全部执行。论文归纳了三种失效模式：完全没注意到危险、识别出危险物品但推不出后果、明知危险仍照做------且拒绝与否往往取决于"不确定物体是什么"，而非"动作是否有害"。而在本论文自己的真机实验中，也记录了接触触发保护停机、灵巧手关节因负载停滞升温至 62°C 等事件。

这意味着"时钟问题"只是真机困境的一半：另一半是安全约束下的每一步都昂贵且不能重来。 仿真里的失败可以 reset，真机上的失败要先修设备------物理验证、动作边界校验、碰撞预测这些机制，不能依赖模型自觉，必须是架构的一部分。

五、下一代基准原型：世界不等你思考

论文最具前瞻性的部分是一个"家庭环境"基准原型，三条新范式原则：

任务源于真实需求，按结果效用（utility）而非固定目标状态评判；
不提供任何域内示范，智能体必须在部署中自己获取经验；
世界时钟在智能体思考时继续走动，推理的时间及物理后果计入评价。

任务以类 PDDL 规范声明，评测维度拆分为 Intent （明示请求）与 Duty（无人言明的义务：关冰箱门、关灶台），评分函数同时依赖成果与时间：

原型让隐性缺陷全部暴露（论文 Fig.12 的五个典型案例）：冰箱门从 300 秒开到 765 秒无人关；蛋在 189 秒已熟但模型思考 8 秒，关灶时已过 90 秒------蛋糊了。社区讨论（dev.to 等）将这一点概括为具身评测的"墙钟问题"：在仿真里时间可以暂停，在真实世界里推理本身就是物理动作，有成本、有后果。

基准原型指出的是"时钟"维度的评测缺口；而论文的另一半工作------RoboRSI------则试图回答一个更工程化的问题：在时钟约束下，Harness 本身能否被系统地改进？

六、SenseNova-RoboRSI：递归自进化的回路、边界与它回答不了的问题

论文的 Harness 消融与 RoboRSI 框架是同一研究计划的"诊断---治疗"两面：消融实验发现了"ICL 知识包 + 闭环审查"这一峰值配置（54.17%），RoboRSI 则把这个配置工程化为可递归迭代的框架------论文负责证明"什么样的 Harness 最好"，框架负责回答"如何让 Harness 自己迭代到更好的配置"。两者由同一团队同期开源，构成完整的证据链与工具链。

RSI 的操作对象有两个：Harness（外层------在模型权重冻结时改进提示词、技能库、记忆与反馈机制）和模型参数（内层------用验证过的交互经验做多模态监督微调）。Harness 不是 RSI 的附属品，而是它第一个、也是最成熟的进化对象。

外层（Harness 改进）：

内层（模型-Harness 联合 RSI，27B-Preview）：

实测效果：

基准	结果	口径与对比

|--------------------------|-----------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| RoboDojo | 60.08 分 / 54.17% | ICL + 闭环协作 + 扩展预算配置。注意：EmbodiedEvo 的 45.08 分、VPP2 的 39.26 分系各自协议下的数字，直接排列"领先"在方法论上不严谨。更可靠的锚点来自同一基准的官方标准协议评测：GPT-6-Astra（闭源 API 模型、零样本）为 28.97 分 / 22.48%，可复现开源策略 DM0.5 为 24.90 分 / 19.34%（数据来源：RoboDojo 官方评测报告，arXiv:2609.24170）。还需注明：DM0.5 为在任务数据上训练的策略，与零样本的 Astra 训练条件不对等，这组对比应理解为"训练策略 vs 零样本通用模型"，而非同一条件下的公平竞赛 |
| LIBERO-PRO | 94.50% | 高于 RPent/GPT-6-Astra 的 92.63%（同为 ICL 类条件） |
| RoboCasa365（27B-Preview） | RSI 训练后 26.0% → 46.5% | 输出 token 从 59.5K 降到 15.9K（降 73.3%）------这是"蒸馏经验降低推理成本"路线最硬的证据 |

关于"任务完成成本降至 GPT-6-Astra 的 1/50 "：此为商汤方面的工程宣称，Pandaily 等英文媒体报道时亦注明"结果未经独立验证"，本文仅将其作为待复现的厂商数据标注。即便按此数字，"55 美元装一次笔筒 → 约 1 美元"距离家庭服务等低价场景的商用仍有数量级差距------这一矛盾的正面回应见第八节。

作为机制，RSI 有四个需要继续追问的边界问题

RSI 的公开材料以效果数据为主要证据形式。作为一个自进化机制，它的设计边界仍有几处值得追问：

什么可以被进化，什么不能？ 论文摘要明确将"safety judgments"列为人类通过引导（steering）表达的内容之一，因此安全判断已被纳入流程。但人类在 steering 中表达的安全判断，是否被进一步固化为代码/架构层面不可进化的硬边界（例如动作边界校验器对候选改动集C_t的免疫）------公开材料没有给出这一层技术细节。如果护栏本身可被 RSI 修改，"绕过安全检查Harness"就不是理论风险而是工程问题；
候选改动如何验证泛化性？ "在同一任务条件下复测"意味着验证集与生成改动的轨迹同分布------RSI 存在对特定任务族过拟合的结构性倾向。27B-Preview 的增益是在固定基准上测得的，换一个任务族是否仍然成立，尚无任何跨分布证据；
进化的收敛性如何保证？ 外层公式的 argmax 依赖候选改动集C_t的质量------如果某轮轨迹质量差、生成的候选集体退化，RSI 可能原地踏步甚至回退。26.0% → 46.5% 是正向证据，但没有任何公开的 RSI 失败或退化案例，使得这一回路的真实鲁棒性无法评估；
人类审核与自动复测的边界在哪里？ 公开材料确认了人类在环：论文摘要将"人工通过目标设定与修正进行引导"列为流程组成部分，README 描述了 Reviewer 定位最早责任节点、改动经真实仿真器上的无回归门槛（no-regression gate）后才提交、全程 git 可审计。但"哪些候选改动可以自动通过、哪些必须人工确认"这一粒度边界并未展开------它决定 RSI 能在多大程度上用于无人值守场景，也决定它更接近"自动化的 prompt 工程"还是真正的"自我改进"。

一句话：RSI 目前是被"效果数据"验证的回路；机制上的人类在环设计已经存在，但它的护栏硬度、泛化边界与收敛行为仍缺乏公开分析。

四问指向一个更根本的问题：自进化到底在具身智能的哪个维度上起作用？答案不是"全部"，而是高度集中在成本维度------这一点将在第八节的对号入座表中系统化收束。而机制上的边界意味着 RSI 的收益声明需要更严格的评估口径来检验------这正是下一节要处理的问题。

七、第三方评测与本文结论的三处张力

把 RoboDojo 团队独立评测（arXiv:2609.24170）与本文并置，可以看到三处值得深思的差异：

ICL 的收益高度依赖工程形态 。第二节提到"独立评测中标准协议下单次示范注入反而有害（−5/−10 个百分点）"，与本文"ICL 大幅提升"的表面结论方向相反。这并不必然矛盾：本文的 ICL 是经过离线工程、含检索助手与可执行代码的多组件知识包 ，而独立评测测试的是朴素的 in-context 注入。它真正揭示的是："ICL 有效"不是模型的属性，而是 Harness 工程的属性------同一能力的收益区间横跨 −10 到 +20 个百分点，方向和幅度均取决于注入方式；
能力极化而非普遍智能 。独立评测显示 Astra 在 42 个任务上呈双峰分布：15 个任务大幅领先所有公开 VLA，11 个任务大幅落后，16 个基本持平------领先集中在语义/开放类任务，落后集中在接触/灵巧类任务；其中泛化维度成功率 30.50%，精密操作仅 4%。换言之，所谓"超过所有专用模型"是特定任务族上的领先，不是全面替代；
模型间差距远大于接口间差距 。在相同的标准协议（零样本、1× 预算）下，同一 Harness 中 GPT-5.5 仅 0.88%，与 Astra 的 22.48% 相差约 25 倍。这说明"LLM as policy"的结论是模型特定的，不能推广为"大模型都行"------它同时反过来为"专用小模型 + 好 Harness"路线（27B-Preview 仅落后旗舰 2.84 分）提供了生存空间。

第三方真机基准 RoboDojo-RC Tier 1（评测机构 Robocurve，每个模型配置真机测试 120 次）提供了另一组参照。其早期轮次（2026-09-23，Opus 5.5 对比评测）记录 Astra（medium 配置）平均进度 36.7% 、完全完成 5/120 （约 4.2%）、单次成本约 1.14 美元；而 Robocurve 当前官网主榜单上，Astra 的最佳配置（high, fast）为 42.5% ，仍远低于 Dream-1 的 59.3%（见第八节）。部分媒体报道曾引述"Astra 47%"（2026-10-20 Dream-1 发布报道），与官方榜单的 42.5% 存在出入，本文以官方榜单为准，差异原因不做推测 。无论取哪一组，结论一致：真机平均进度可观（三分之一到近半），但完全端到端成功率仅为个位数百分比------进步快与不可靠并存。

八、三重门、成本经济学与路线之争

综合全部证据（论文 + 独立评测 + 第三方基准 + 社区讨论），具身智能从演示走向实用需跨越三重门------这是本文对论文结论的重组框架，论文自身只明确提出后两条挑战：

能力门 🟡（部分跨过，且需精确限定） ：跨过的是短程、桌面级、语义对齐、允许反复试错的 具身能力；长程家务（37%）、长程导航（28.9%）、精细接触（RoboDojo 精密操作 4%、插插头 0/11）、安全动作约束均未跨过。论文自身的结论也是"crossed the threshold of embodied competence"，不是"通用能力已被证明"；
成本门 🟡（部分攻克，前沿仍陡峭） ：闭环审查 L=4、自适应分块、RSI 蒸馏可砍掉一个数量级以上的推理量（RoboCasa365 输出 −73.3% 是硬证据）。但 54.17% 峰值配置 6.9 倍的 token 溢价提示：性能-成本交换率可能存在架构下限。由此可以给"1/50 成本"争议一个经济学视角：决定商用可行性的不是成本的绝对值，而是成本下降曲线的斜率------1 美元级单次任务对工业巡检等高价场景已接近可用，对家庭服务则仍差 1--2 个数量级；
时钟门 ❌（未攻克，且包含安全维度） ：物理验证、不可逆恢复、长程进度保持、思考-世界同步，加上第四节的安全证据------RoboDojo 独立评测的硬件损坏中止事件与 RoboHarm 的危险动作"成功"，表明这比"时间不够"更根本：它要求架构级的安全机制（动作边界校验、前置安全审查、交还人类的时机），而这些责任不能由任务成功率代替检验。

把 RSI 放进这个框架对号入座，可以得到一张清晰的能力地图------这也是对"自进化到底解决了什么"这一问题的正面回答：

门	需要的创新类型	RSI 的定位

|-----|------------------|---------------------------------------------------------------------------------------------------------------------|
| 能力门 | 架构、数据、世界模型级的突破 | 间接且有限：蒸馏让 27B 逼近旗舰（RoboDojo 仅差 2.84 分），属于效率维度的进步；但没有任何证据表明 RSI 能让模型学会它原本不会的任务------插插头 0/11 的精细接触失败，在 RSI 框架下无解 |
| 成本门 | 工程优化、蒸馏、缓存 | 直接命中：首个可追踪的降本曲线，RoboCasa365 输出 −73.3% 是其目前最硬的成绩单 |
| 时钟门 | 推理架构、物理时间感知、安全机制 | 基本无效：RSI 的进化对象是 Harness 与模型权重，不改变推理架构本身，也不赋予模型对物理时间的感知能力------物理验证、不可逆恢复、思考-世界同步不在它的作用域内 |

这张表同时解释了 27B-Preview 数据的正确读法：26.0% → 46.5% 是成本门的胜利，不是能力门的突破。RSI 是"降本曲线"的引擎，不是"能力曲线"的引擎；把它用对地方，它的价值最大。 这条边界的清晰化，恰恰让三条路线各自的假设变得更可比较------第一条路线能做什么、不能做什么已经写在表里，这正是把它与另外两条路线并置讨论的前提。

路线层面，当前至少三条路径在竞争：

SenseNova 的 RSI 路线：Harness 递归改进 + 经验蒸馏小模型，强在工程闭环与全面开源，弱在核心数字多为自报且协议复杂；
EmbodiedEvo 的 Coding-Agent 路线：让智能体编写代码构建策略，与 RSI 路线存在直接的范式竞争：一个改"脑外之物"，一个让"脑自己写策略"；
专用机器人"大脑"路线 ：Robocurve 官方榜单（robocurve.org，2026-10 快照）给出了迄今最清晰的信号------前英伟达 GR00T 团队创立的 Dream Labs 于 10 月 19 日发布的 Dream-1 以 59.3% 登顶，单次任务成本仅 0.15 美元 、平均用时 1.5 分钟 （Robocurve 官网当前数据；Dream Labs 发布材料称 1.4 分钟），三项指标同时压过所有大模型配置：第二名 Gemini 4 Argon（high，priority）48.2%、GPT-6 Astra 最强公开配置（high, fast）42.5%、Opus 5.5（high, fast）38.2%，而大模型配置的单次成本在 0.90--3.48 美元、单次用时 3.1--20.5 分钟。更值得注意的是榜单末位：英伟达自家的 GR00T N1.7 只有 9.5% ------上一代专用模型被通用大模型最强公开配置甩开 30 余个百分点，而新一批专用模型又反过来赢了通用大模型 16.8 个百分点。

产业侧的节奏与这一技术判断相互印证。量产已在发生且分层架构已是主流选择：智元第 5,000 台机器人于 2025 年 12 月 8 日量产下线，第 10,000 台于 2026 年 3 月 28 日下线------从 5,000 到 10,000 仅用了三个多月 ；第 15,000 台又于 6 月 28 日下线，从 10,000 到 15,000 不足 3 个月。而在模型侧，智元 2026 年 4 月发布的 GO-2 基座模型公开采用"动作思维链 + 异步双系统"------低频慢系统生成高层动作规划、高频快系统实时跟随执行；其与上海创智学院联合研发的 τ0-VLA 于 2026 年 7 月底发布（WAIC 展示，arXiv:2608.16885 于 8 月 17 日公开），进一步采用"慢思考-快执行"分层架构，将高层任务规划与低层动作执行彻底解耦，并引入世界模型推演与测试时计算。量产机器人采用的不是端到端大一统，而是与本文 Harness 消融结论同构的分层方案------这是"路线之争"最硬的产业证据。

三条路线并不互斥，但它们对"终局"的假设不同：RSI 路线假设通用模型 + 工程闭环可以收敛到实用；Coding-Agent 路线假设代码生成可以替代手工策略工程；"大脑"路线假设专用小模型 + API 化可以在成本和延迟上碾压大模型直连。RoboDojo-RC 的数据暂时站在第三条路线上------通用大模型能控机器人，但控得又慢又贵。

真正值得追问的，或许不是"GPT-6-Astra 是否实现了具身智能"，而是：当能力上限已被证明远高于标准水位时，有多少差距可以被 Harness 工程和蒸馏消解，又有多少必须等待下一代架构？ 这篇论文最大的价值，就是用 81GB 日志和罕见的坦诚，把这个问题从口号变成了可测量的工程问题；而它最大的局限，也在于答案仍很大程度上掌握在放榜的人自己手里------社区复现，将是 2026 年下半年具身智能领域最值得关注的变量。

创作不易，禁止抄袭，转载请附上原文链接及其标题。

参考资料

《Has GPT-6-Astra Achieved Embodied Intelligence?》论文： https://arxiv.org/abs/2610.22471
SenseNova-RoboRSI 开源仓库： https://github.com/OpenSenseNova/SenseNova-RoboRSI
项目主页： https://www.sensenova.ai/has-gpt-6-astra-achieved-embodied-intelligence
RoboDojo 官方评测报告页： https://robodojo-benchmark.com/report/gpt-6-astra-eval
RoboDojo 项目主页： https://robodojo-benchmark.com/
Hugging Face Papers 社区讨论（401 票登顶）： https://huggingface.co/papers/2610.22471
IT之家中文报道： https://www.ithome.com/0/900/816.htm
Pandaily 英文报道（SenseNova-RoboRSI 开源与 1/50 成本宣称，注明未经独立验证）： https://pandaily.com/sensetime-sensenova-roborsi-open-source-embodied-ai-harness-27b-preview
虎嗅（RoboDojo 独立评测、Robocurve 真机测试与 RoboHarm 安全测试综述）： https://www.huxiu.com/article/4893718.html
RoboHarm 论文（arXiv:2610.14043，2026-10-03：文本拒绝率 73% 跌至机器人控制 18--25%；EEF 汇总 18%/612 次、关节控制汇总 41%/252 次）： https://arxiv.org/abs/2610.14043
dev.to 社区讨论（墙钟问题）： https://dev.to/cut2-ai/gpt-6-astra-and-embodied-ai-what-it-gets-right-and-where-it-still-fails-2d0k
Neurohive（海外社区综述）： https://neurohive.io/en/state-of-the-art/gpt-6-astra-embodied-intelligence/
Robocurve 官网主榜单（RoboDojo-RC Tier 1 当前官方数据：Dream-1 59.3%/1.5 min、Astra 42.5% 等）： https://robocurve.org/
Robocurve Opus 5.5 对比评测页（2026-09-23 轮次：Astra medium 36.7%、5/120 完全完成）： https://robocurve.org/opus-5-5-robodojo-rc-tier-1/
36氪（Dream-1 发布报道，媒体口径 Astra 47%，与官方榜单存在出入，2026-10-20）： https://www.36kr.com/p/4033427959534470
智元第 5,000 台量产下线（中国经济网/经济日报，2025-12-08）： http://www.ce.cn/xwzx/gnsz/gdxw/202512/t20251209_2631752.shtml
智元第 10,000 台量产下线（新华社，2026-03-28）： http://www.news.cn/20260331/dc1a73761ca1470da08657faf27426f5/c.html
智元第 15,000 台下线（新华报业，2026-06-28）： https://finance.jschina.com.cn/jjcsj/202606/t20260629_s6a41e19ee4b0b6e57b5a51b5.shtml
智元 GO-2 基座模型发布（证券时报/新浪财经，2026-04-09，"动作思维链+异步双系统"）： https://finance.sina.cn/stock/jdts/2026-04-09/detail-inhtwtez5859491.d.html
τ0-VLA 论文（arXiv:2608.16885，2026-08-17 提交；模型于 7 月底联合发布并在 WAIC 展示）： https://arxiv.org/abs/2608.16885
τ0-VLA 项目主页： https://tau0-vla.github.io/