穹彻智能发布 RoboRSI：面向真实场景的机器人多智能体自进化框架

这轮讨论的起点是一个反差。据机器之心报道，Robocurve 在 GPT-6 Astra 发布后第二天就把它接入机器人执行任务，称其在一项机器人控制任务中成功率达到 95%，高于 Fable 5.1 的 40%；同时输出 Token 用量仅为后者的约 1/6.2，成本约为后者的 1/2.3。这些数字来自报道转述，并非第一方评测披露，应视为来源说法而非已确认事实。

但同一篇报道给出了方向相反的证据。RoboDojo 团队在官方评测中指出，Astra 在真机测试中反复发出物理上不合理或不安全的动作，部分事故甚至造成硬件损坏；出于安全考虑，团队提前停止测试，Astra 未能完成原定包含 18 项任务的 RoboDojo-Real 评测。

把两条放在一起看，可以得出一个谨慎的推断：基模在受控单项任务上的表现，与它在真实物理环境中安全、稳定地持续工作，并不是同一件事。前者是能力上限的展示，后者取决于如何约束动作、处理失败、决定从哪个节点继续——这些在报道中被归为系统层面的问题。

报道记录了两种来自行业的声音。有知名具身智能企业创始人表示，今天的具身智能还没有真正的护城河，通用模型公司在人才、算力和资金上占优，未来一两年将是关键窗口。Robocurve 则提到，如果这一趋势持续，大语言模型最早可能在今年年底、最晚在 2029 年实现对机械臂的实时控制。两者都属于来源方判断，不是既成事实。

报道本身也提出一种观点：仅在语义基座上做微调改造得到的具身模型，容易遭遇 GPT-6 的降维冲击。这同样是评论性判断，但它解释了为什么讨论焦点从「模型能不能控机器人」转向「模型之外还需要什么」。

按报道的叙述，基模解决的是理解问题，而从理解到持续稳定执行之间还有一层系统能力。这一层被概括为三件事：经验的结构化管理与复用、行为边界与安全约束、部署后的持续迭代能力。