GPT-6 Astra的机器人能力被扒：可能接受过专门训练

机器之心编辑部

2026 年 9 月 3 日，GPT-6 Astra 正式发布。

除了推理、编程和 Agent 能力，这款新模型在机器人操作领域展现出的潜力，也引起了不少关注。

在很多人看来，一个通用多模态大模型，似乎已经能够理解机器人所处的环境，并根据任务要求生成相应动作。

发布后，NVIDIA 将 GPT-6 Astra 引入机器人仿真与设计工作流。在一项演示中，开发者使用 Astra、PTC Onshape 和 NVIDIA Isaac Sim，建立汽车悬架的 3D 模型，调整扳手的形状与位置，使其能够触及悬架上的螺栓，最终在仿真环境中演示机器人使用扳手拆卸部件的过程。

来源：https://x.com/nvidiaomniverse/status/2118450742176698700

另一项演示借助 Unitree G1 人形机器人，Astra 可以在一个从未见过的房间里自主行动，记住不同物体的位置，跨越整个房间完成整理任务。之后，即使人类只给出比较模糊的自然语言指令，它也能根据此前建立的空间记忆，找到并取回指定物品。

来源 ：https://www.reddit.com/r/singularity/comments/1wqwcqe/gpt6_astra_can_now_control_a_humanoid_robot_in_a/

类似的案例还有不少，这里就不一一列举了。

GPT-6 Astra 一出，机器人圈就热闹了起来。有人直接喊出：VLA 已死，Robot RSI 时代来了！通用大模型要接管机器人了！

但一个更关键的问题来了：GPT-6 Astra 展现出的机器人能力，究竟是通用智能发展到一定阶段后自然涌现的结果，还是模型在训练过程中已经积累了大量机器人领域的专门知识？

OpenAI 官方博客并未明确披露模型训练数据的具体构成，也没有说明预训练阶段是否使用了专门的机器人数据。

有研究发现，GPT-6 Astra 的机器人能力并非涌现出来的

最近，一项研究给出了一个值得关注的线索。

来源：https://x.com/SwannAiden/status/2118741112227774702

该研究指出，GPT-6 Astra 的机器人能力并非涌现出来的，OpenAI 在训练过程中使用了专门的机器人数据。GPT-6.1 Sol 和 Gemini Argon 也接受了类似训练。

研究者对 50 个开源和闭源模型进行了测试，比较它们在两类运动学任务中的表现。

一类使用 Franka Panda 机械臂的运动学参数，另一类则使用合成生成的机器人运动学参数。

通过比较模型在两类测试中的表现差异，研究者希望判断模型是否记住了特定机器人本体的运动学知识，以及这种知识能否迁移到陌生的机器人结构上。

研究者首先要求模型完成正运动学（Forward Kinematics，FK）和逆运动学（Inverse Kinematics，IK）计算。

正运动学是根据机器人各关节的角度，计算末端执行器的位置和姿态；逆运动学则反过来，根据目标位置和姿态，求出机器人各关节应该采取的角度。

实验中，研究者要求模型不调用外部工具、不运行代码，也不进行逐步推导，直接给出计算结果。

例如，给定机械臂的一组关节角度：

q = [0.180, 0.029, 0.137, -2.128, -0.156, 1.973, 0.453]

模型需要直接回答，机械臂末端执行器的位置坐标 [x, y, z] 是多少？

在测试的 50 个模型中，有三个模型表现出明显异常。研究者特别指出，GPT-6 Astra、GPT-6.1 Sol 和 Gemini Argon 与其他模型存在显著差异。

真正暴露问题的，是接下来的一项对照实验。

研究者改变了机器人的 DH（Denavit-Hartenberg）参数，要求模型根据新的参数重新计算末端执行器的位置。

DH 参数是一种描述串联机器人各关节坐标系之间几何关系的方法，包含连杆长度、连杆扭转角、连杆偏距和关节角度等信息。给定这些参数和关节角度，就可以通过坐标变换计算机械臂末端的位置。

按照正常的运动学计算逻辑，机器人本体结构发生变化，模型也应该根据新的参数调整计算结果。

但研究者发现，GPT-6 Astra 等三个模型即使拿到了另一台七自由度机器人的 DH 参数，给出的预测仍然与 Franka Panda 机械臂的运动学特征相符。

研究者认为，这有力地表明，这三个模型对特定机器人本体存在过拟合。

换句话说，模型可能记住了与 Franka Panda 有关的运动学知识，却没有真正掌握能够迁移到不同机器人结构上的通用运动学规律。

这项实验最值得关注的地方，恰恰在于它区分了两种能力：一种是记住特定机器人的结构和运动关系，另一种是理解运动学规律，并根据陌生机器人的参数重新计算。

两者在熟悉的机器人上可能表现相似，但在更换机器人本体后，差异就会显现出来。

机器人专门数据，可能是关键线索

这项测试还不能直接证明 OpenAI、Google 在预训练阶段具体使用了哪些机器人数据，但它提供了一个值得重视的线索：GPT-6 Astra、GPT-6.1 Sol 和 Gemini Argon 展现出的部分机器人能力，可能与训练阶段积累的特定机器人知识有关，并非完全来自通用智能的自然涌现。

研究者还公开了完整实验结果、代码和模型推理记录，供社区复现与验证。

地址：https://github.com/swannaiden/vlm-robotics-training

这一发现也引起了其他研究者的关注。有研究者表示，他们在自己的测试中同样观察到，Astra 对 Franka Panda 机械臂表现出了明显的熟悉倾向。

还有网友提出了一个更具体的问题：能否将同样的正运动学和逆运动学测试扩展到 Unitree G1 人形机器人？

作者回应称，团队确实计划将测试扩展到更多机器人本体，并进一步研究特定训练数据集对模型表现的影响。不过，这项工作还需要更多 Token 资源支持。

这表明，研究者接下来希望回答一个更关键的问题：如果模型真正掌握了通用的机器人运动学规律，能否在面对一台从未接触过的机器人时，仅凭其结构参数就准确预测运动结果？

目前，这项研究还只是一个初步探索，不能据此断言 GPT-6 Astra 的机器人能力完全来自专门数据训练。但它至少提醒了行业：通用大模型在机器人任务上的出色表现，并不自动意味着它已经形成了可以跨机器人本体迁移的物理智能。

VLA 是否会被通用大模型取代，Robot RSI 能否成为新的技术路线，这些问题都还没有答案。