从推理到行动：前沿 AI 模型在 LIBERO-10 机器人操作任务上的基准评测

一篇 arXiv 报告提出统一的闭环操作框架，让模型仅凭视觉观测、机器人本体感知和结构化工具调用直接控制机械臂，无需针对任务微调，也无需预训练操作技能。研究评测了 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus 5、Claude Opus 5.5 和 Gemini-4 Argon 六个前沿模型，覆盖三档推理强度，共形成 18 种配置、1800 个评测回合。结果显示 GPT-6 Astra 成功率最高，为 44%，Gemini-4 Argon 以 43% 紧随其后。

此前通用大模型的操作能力多停留在演示或分散任务上，缺少标准化机器人基准上的系统对比。该报告在同一闭环框架下横向评测多个前沿模型并公开成功率量级，把“通用模型能否直接操作机器人”从能力展示推进到可复现的量化比较，同时显示推理强度提升存在收益，但并非线性，并且会带来额外推理成本。

框架把模型输出限制为结构化工具调用，主要是目标末端执行器位姿和夹爪指令，模型据此在视觉与本体感知反馈中闭环执行。这样绕开了任务专用微调和预训练操作策略，直接检验通用视觉理解与推理能否转化为动作序列，因此成功率差异更多反映模型把空间推理映射为精确动作的能力差异。

对机器人产品与研发团队而言，这意味着可先用通用模型加工具调用接口做快速原型验证，不必先积累大规模操作示范数据；但 44% 的成功率上限和任务间明显不均衡提示，精密空间摆放与多步交互仍需专门设计或人工兜底，推理档位的成本也需要纳入部署权衡。

• 在自有机器人或仿真环境中复现该闭环框架，用少量任务先测量候选模型成功率，作为选型依据。
• 针对空间精确摆放和多步交互任务，设计结构化中间表示或分步工具调用，验证是否能缩小与物体放置任务的差距。
• 为推理强度设置按任务难度动态切换的策略，在成功率提升与推理成本之间做可量化的权衡测试。

• 论文中 GPT-6 Astra、Claude Opus 5.5、Gemini-4 Argon 等模型的具体版本与可访问状态尚未在证据中说明。
• 44% 与 43% 的差异是否具有统计显著性、单任务样本量如何分配，证据未交代。
• 框架在真实机器人硬件上的表现与仿真基准之间是否存在差距，证据未涉及。
• 各任务类别成功率的具体拆分数据以及失败模式分类尚未披露。