语言模型直接开机械臂：八项桌面任务最高69分，单任务约30分钟、16美元
核心概要
AA-Robotics v0.1 把前沿语言模型放进编码智能体框架里，直接控制一台六轴机械臂（5个关节加一个夹爪）完成八项桌面任务，并按100分制打分。此前这类模型能否直接操作机械臂缺少统一对照，如今五个模型在零样本条件下跑同一套任务：GPT-6 Astra 以69.4分居首，GPT-6.1 Sol 为64.6分，Gemini 4 Argon 为55.3分，Claude Opus 5.5 与 Claude Fable 5.1 分别为48.8分和46.3分。模型平均每项任务约30分钟，比人类基线慢约100倍，成本上最省的 GPT-6.1 Sol 为每项1.93美元，最贵的 GPT-6 Astra 为16.36美元。
深度剖析
前沿语言模型在编码智能体框架中已经能直接操作机械臂完成简单桌面任务，但速度与成本离生产可用还很远。 此前缺少一套让语言模型直接控制机械臂、并在同一批任务上横向比较的公开对照；AA-Robotics v0.1 给出五个模型在八项任务上的零样本成绩。 五个模型跑同一套八项任务，GPT-6 Astra 得69.4分、GPT-6.1 Sol 64.6分、Gemini 4 Argon 55.3分、Claude Opus 5.5 48.8分、Claude Fable 5.1 46.3分，每项任务按100分制评分，完成得100分，部分完成按进展给分。
模型通过写代码来规划并发送机械臂动作，而不是被专门训练成机器人策略。 模型运行在隔离容器中，只拿到简短说明：如何通过一个简单的 HTTP API 访问机械臂、这是哪台臂（Hiwonder NexArm，未给更多规格）、以及如何提交完成。 模型通过四个摄像头观察场景，三个架在桌子周围、一个装在腕部，可在容器内写并运行代码来规划和发送动作；提交后按任务的通过标准对末态评分，所有尝试均为零样本。
时间与花费的分布很不均匀，平均值掩盖了任务间差异。 整体上五个模型中有四个约每项任务30分钟，Gemini 4 Argon 最慢为52分钟；人类平均只需20秒。 GPT-6 Astra 用2.2分钟按下红色按钮，Claude Fable 5.1 在首次动作前花了约十分钟理解与规划；鳄鱼摆放任务上 GPT-6.1 Sol 五分钟即宣告完成，Claude Opus 5.5 用了45分钟，相差九倍；Gemini 4 Argon 平均观察与推理21分钟才首次动作，约为其他模型的两倍。
启示与展望
这套评测面向研究预览，覆盖一台六轴机械臂（5个关节加一个夹爪）和八项桌面任务，任务涵盖控制与灵巧、空间推理和适应性；模型在隔离容器中通过 HTTP API 访问机械臂，用四个摄像头观察，全部为零样本尝试。人类成本按每小时37.81美元计算，取自美国私营非农就业全体雇员平均时薪（美国劳工统计局，2026年9月初步数据）。
发布方明确指出，当前前沿语言模型对生产级机器人用途而言仍然过慢、过贵，比人类基线差近两个数量级，并预期这一状况会很快改变。模型常在已经达到通过状态后继续修改尝试，GPT-6.1 Sol 约17分钟搭出可通过的高塔，随后却使任务失败；模型在物理空间中判断任务是否完成的能力仍有待观察。Gemini 4 Argon 的活动时间是根据精确计时的机械臂指令按 token 比例估算的，因为 Antigravity 不为每一步打时间戳。