大模型评测机构 Artificial Analysis 最近干了件新鲜事：把 GPT、Claude、Gemini 这些在数学和编程榜单上厮杀的明星模型，拉到了一张真实的桌子前——给它们每人一台机械臂，考试内容是倒水、写字、搭积木。

10 月 14 日，首个面向通用大模型的机器人操作评测 AA-Robotics v0.1 正式发布。结果颇具戏剧性：模型们能完成任务，但平均一项要折腾半小时，而人类动手做同样的事只要约 20 秒。

考试怎么考？一台 150 美元级别的机械臂，八项桌面任务

评测的硬件是一台 Hiwonder NexArm 六轴机械臂（五个关节加一个夹爪），桌面周围和机械臂手腕共布置四个摄像头。模型开局只知道三件事：机械臂叫什么、怎么用 HTTP API 通信、怎么提交任务。剩下的全靠自己——看摄像头画面、理解物体位置、现场编写并运行控制程序。

GPT 系列跑在 Codex 里，Claude 用 Claude Code，Gemini 用 Antigravity。八项任务全部零样本，不做针对性训练。这套设计考察的是：通用大模型能不能借助编程 Agent，把「想明白」变成「做得到」。

成绩单：GPT-6 Astra 第一，但满分率不如第二名

首批五款模型的综合成绩：

• GPT-6 Astra：69.4 分，排名第一
• GPT-6.1 Sol：64.6 分
• Gemini 4 Argon：55.3 分
• Claude Opus 5.5：48.8 分
• Claude Fable 5.1：46.3 分

注意，分数不等于成功率——每题满分 100，没做完也有过程分。Astra 总分最高，但八道题里只拿了四道满分；排第二的 Sol 反而有五道满分。

最简单的两项任务（按红色按钮、把鳄鱼玩具放进方框）五个模型全部过关。再往后差距就拉开了：Astra 能倒水、能写出「hello world」，却在测量盒子长宽高上吃零分；Sol 会收纳积木、做形状匹配，水却倒不好。搭积木塔更是全军覆没——Sol 一度搭出合格的塔，明明任务已完成却不肯停手，继续调整积木，硬生生把成果毁掉。

真正的差距在时间和成本上

五款模型里四款完成单项任务平均约 30 分钟，Gemini 4 Argon 更慢，约 52 分钟。而人类基线是 20 秒——差了将近两个数量级。按个红色按钮这种小事，Astra 花了 2.2 分钟，Claude Fable 5.1 光理解场景和规划动作就耗掉约 10 分钟才开始动手。

成本同样扎眼：Astra 平均每项任务模型调用费 16.36 美元，Sol 只要 1.93 美元，两者分数却只差 4.8 分。对将来要在家庭、仓库里连续干活的机器人来说，「能做成一次」和「能以合理成本每天做上百次」完全是两回事。

时间花在哪了？官方拆解显示，Astra 约 59% 的时间在规划动作，约 20% 用于理解环境，真正驱动机械臂运动只占约 13%。它就像一个第一次进实验室的人：观察、写程序、试探、检查，动作本身几秒钟，前后的思考要数分钟。

抓取成功率也不理想。六项抓取任务中，Astra 成功率 45%，Claude Fable 5.1 为 44%，Sol 只有 28%——模型明明找到了目标，夹爪却可能闭合在物体旁边，或者刚抓起来瓶子又滑落了。

这对具身智能行业意味着什么？

这份榜单恰好给行业最近的争论提供了实证。上个月 GPT-6 Astra 控制机械臂画金门大桥的视频刷屏后，不少人质疑：既然通用大模型已经懂视觉、空间和推理，机器人公司为什么还要花大钱从头训练自己的 VLA 模型？

具身智能从业者并不买账。自变量机器人创始人王潜在外滩大会上表示，模型能力来自数据，编程模型变强背后有海量代码数据和成熟验证体系，机器人面对的物理世界同样需要专门的数据、评测和基础设施，不会因为语言模型强就自动解决。破壳机器人创始人许华哲实测后也指出：Astra 能识别桌面物品、抓起筷子，但一旦要求用筷子做更复杂的接触操作，表现就明显下降。

AA-Robotics 的首批结果证实了双方的各一半：通用大模型确实能完成真实操作，但离高效可靠还很远。物理世界的物体会滑动、倾倒、变形，需要根据接触反馈实时纠错——这正是 VLA 和底层运动控制器长期处理的问题，也是专业具身模型仍有的价值空间。

值得一提的是，v0.1 首批名单里还没有中国模型。如果 Qwen、Kimi、GLM、DeepSeek 放进同样的机械臂和任务里，能不能用更低成本追上来？这可能比榜单名次本身更值得关注。

更多 AI 工具与教程见 AI 智库。