清华实测GPT-6 Astra触觉操作成功率93.8%
清华大学研究团队于10月17日发布TacTalent技术报告,评估OpenAI的GPT-6 Astra在接触密集型操作中的表现。报告称,在UniVTAC与OpenViTac两套视触觉基准上,Astra平均成功率分别为93.8%和81.8%,高于文中引用的此前最佳专用模型22.9和13.1个百分点。研究未做任务级微调,而是通过RoboICL框架给出少量示范,并把触觉传感器形变以图像形式输入模型;在UniVTAC上仅用视觉时为76.3%,加入触觉后升至93.8%,拔钥匙任务从30%升至90%。报告也指出,19项任务全部在仿真环境完成,仅抽取约10%样本共210个测试回合,专用模型成绩多来自此前公开研究、未在相同条件下对比;Astra单次API响应中位数约14秒,难以满足实时接触控制。此前9月公布的RoboDojo研究显示Astra在42项操作任务中平均成功率仅22.48%。
报告显示通用多模态模型无需任务级微调即可借触觉图像完成部分接触密集型操作,但结论目前仅来自仿真环境,尚待真机验证。
9 月,自 OpenAI 发布 GPT-6 Astra 后,其在空间理解、三维建模和软件操作等方面展现出的能力,引起了具身智能行业的广泛关注。
过去几年,机器人公司一直在尝试训练自己的基础模型,而 Astra 的出现带给了行业一个新的启发:机器人需要的通用智能,会不会直接来自 GPT 这样的基础模型?
随后,一些研究团队开始将 Astra 接入机械臂,测试它的机器人控制能力。不过,早期实验结果并不理想。9 月公布的一项 RoboDojo 研究显示,Astra 在 42 项操作任务中的平均成功率仅为 22.48%,尤其在精确对齐、复杂双臂协调等任务上存在明显不足。
对于涉及摩擦、受力和持续接触的精细操作,机器人还需要根据触觉反馈不断调整动作,因此,这类任务一直被视为专用模型的重要优势领域。
#OpenAI#GPT-6 Astra#Tsinghua University#TacTalent#RoboICL#UniVTAC#OpenViTac#RoboDojo#SimpleTouch