【天风汽车】（1）：Agent接管大脑控制，机器人GPT时刻还由GPT带来-1024
———————————
GPT6 Astra横空出世，作为机器人云端大脑，具备远超VLA/ WAM的复杂任务理解能力。在没有针对机器人控制进行训练的情况下，就达到Robodojo上的SOTA水平。
这里我们主要讲解Astra的优势所在，以及接下来做的优化。
首先讲Robodojo是什么？它是一个公开测试集，#模型只能通过输出具体的三维坐标控制机械臂包括夹爪，工作视野通过夹爪和头部的相机提供。需要在有限的步骤内完成任务。及其考验模型的任务拆解和操作精度。
对于Astra，优势是任务拆解，劣势是精确操作，也是大模型的特征：
1、Astra能够识别麻将并针对性打出，也可以在障碍物挡住相机时，根据提示词，用空闲的夹爪提供相机视野；
2、涉及精细操作，例如插笔筒、倒水入杯，Astra在空间测量和失败后尝试上很弱。而且操作极慢，因为模型参数大且需要输出每次操作的细节，而这本不应由Astra来做。
基于Astra，仅用时一个月，就有两套方案重回SOTA。分别是HexaShell和WorldScape-R²SI，总结是#让Astra干他擅长的东西。
HexaShell里Astra只做决策，例如设置运动终点，不需要考虑运动轨迹，轨迹由一套写死的方程实现。优化泛化性（33->39）且精度13->41，精度媲美最强的VLA/ WAM。
WS-R²SI尝试自我优化，每次执行生成对应操作的skill，存储怎么做/确认完成度/回退等，并不断迭代。具体怎么动交由另外的WAM做。精度13->24，泛化性33->43，长程任务21->51。
机器人控制分为system0、1、2：，2思考决策做什么怎么做；1把2的结论转化为全身动作；0纯粹的执行。总结下，#让专门的模型做专门的事。S2是机器人泛化一直的痛点，也是Astra类大模型最擅长的点。
今天Kimi 3.1pro发布，大幅强化了3D理解能力，国模也有了接近Astra的能力。
现在的Astra缺什么？复杂场景理解、复杂任务拆解能力。这些需要大量优质数据进行针对训练，对应数采的庞大需求。❗上亿小时数据的量级下，对应上下游千亿市场。首选数采的直接供应链。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。