GPT-6 Astra 发布约两个月、GPT-6.2 Astra 亦在传闻中，具身智能赛道正被「通用大模型 + 机器人调用」路线正面冲击。据量子位报道，部分团队已裁撤算法岗；在 RoboDojo 等评测中，接入 Astra / Robot-Use-Agent（RUA）后，原本约 20–30 分的方案可抬到 50–60 分，逼问一句：还要不要继续砸预算训原生具身大模型？
冲击从哪来？
从业者感受是：具身侧迟迟等不到新的范式级突破，而 Astra 一类通用模型正以 coding / agent 方式「垂直打击」机器人任务。冲击不全来自海外——国内具身团队对 Kimi、DeepSeek、智谱等本土大模型的下一步同样敏感。
RoboTwin / RoboDojo 评测基准第一作者、港大 MMLab 博士生陈天行透露：一些原本坚持训练原生具身基础模型的团队，也开始提交结合 RUA、借助通用大模型完成机器人任务的方案。分数上去了，研发路线却被迫重估。可对照本站对 GPT-6.2 Astra 传闻 的跟踪。
Astra 一次打穿三项旧命题
陈天行用比喻形容差距：具身自研还在 80 分上加 0.1，Astra 可能一次性从 80 跳到 90。更扎心的是，部分测试中 Astra 未做任务专用后训练、未给示范，仅凭语言指令就能完成不少操作。
报告侧重点出三项过去可单独讲「创业故事」的能力，如今被通用模型一并逼近：
1. ICL（上下文学习）：给图像/文字示范后成功率更高；改变摄像头与动作坐标系后，仍能在几轮尝试中在线修正。 2. OOD 与纠错：物体被挪动等分布外变化时，能据新视觉重规划，而不是死磕原轨迹。 3. 开放词汇操作：换说法提需求仍可执行，弱化「语言—动作」对齐上的专用后训练依赖。
RoboDojo 团队同时提示：Astra 真机测试曾因安全问题中止；仿真高分不等于真实世界稳定生产力。但已足够让公司重审多年预训练投入——通用模型带着语言、视觉、推理与 coding 先验「空降」机器人，具身团队则常从有限操作数据里逐项磨能力，起跑线本就不对称。
自研还要不要？看物理接触与经济账
破壳机器人许华哲将能力拆为语义、空间、物理泛化：Astra 在前两项突出，复杂接触、受力、形变与高精度操作仍难。评测也显示几何对齐与语言理解是其强项，连续接触与多步骤物理操作上现有 VLA 仍有机会。自变量王潜强调：机器人数据、真机评测、硬件、仿真与部署等基础设施，不会因更强语言模型而自动消失。
延迟方面，Astra 云端 API 偏慢，对实时闭环是阻碍；但端侧量化、蒸馏与推理引擎可优化，且「模型推理频率」≠「底层控制频率」——流水线等可预规划场景，高层规划慢、底层控制快未必致命。
陈天行的判断是：机会不在「谁的模型更聪明」，而在「谁创造更好经济效益」。标准化产线更在意成功率、节拍与成本，专用小模型或规则策略可能比次次调用 Astra 更划算；家庭等开放任务则更吃通用理解与规划。他用「场景需求 × 模型能力」两轴说明：开放任务借通用模型，稳定任务用规则/轻量策略，中间留给场景优化模型——与本站讨论的 具身场景与物理 Agent 方向一致。
结论不是「自研无用」，而是自研优先级要重排：语言理解与任务规划可更多借用通用模型；物理交互、本体控制、真机适配与部署效率仍需专项研发。是否继续从头训更大具身基模，要看能否提供足够持久、可核算的优势。行业情绪上，「投资人更挑具身」的声音在放大，Demo 烧钱阶段正在进入淘汰赛——更多动态见 AI资讯。
常见问题
Q：Astra 是否已经替代具身专用模型？ A：仿真与部分指令任务上冲击很大，但真机曾因安全中止测试；复杂物理接触与高精度操作上，专用 VLA / 场景模型仍有空间。
Q：为什么分数跳涨会冲击自研预算？ A：接入通用模型 + RUA 后评测可从约 20–30 分升到 50–60 分，投资与管理层会追问「是否还要同等规模地预训练原生具身大模型」。
Q：产线该用大模型还是小模型？ A：高度重复、成本敏感的任务更适合规则或轻量专用模型；任务多变、开放环境更吃通用模型的理解与规划，最终要算成功率、节拍、失败人工与长期部署成本。
相关文章
