Artificial Analysis 推出 AA-Robotics v0.1：前沿模型直接操控真实机械臂，GPT-6 Astra 以 69 分领先，但每个任务约 30 分钟、人类只要 20 秒

这件事意味着什么

【要点】

独立评测机构 Artificial Analysis 10 月 14 日发布 AA-Robotics v0.1（研究预览），测前沿语言模型能不能直接操控真实机械臂：每个模型在编程智能体环境里（GPT 用 Codex，Claude 用 Claude Code，Gemini 用 Antigravity，均为高推理档）通过简单 HTTP 接口控制一台 6 轴机械臂（5 个关节加夹爪），靠 4 个摄像头看桌面，零样本完成 8 个桌面任务：按按钮、放鳄鱼玩具、倒饮料、把积木收进盒子并盖盖、形状拼板、写「hello world」、搭最高的塔、量盒子尺寸，由人工按完成度打分。

总分：GPT-6 Astra 69.4，GPT-6.1 Sol 64.6，Gemini 4 Argon 55.3，Claude Opus 5.5 48.8，Claude Fable 5.1 46.3。模型平均每个任务约 30 分钟（Argon 52 分钟），人类平均约 20 秒，慢了近 100 倍；成本上 Sol 每任务 1.93 美元最便宜，Astra 16.36 美元，约七成花在读图等输入上。量盒子尺寸（误差 2 毫米内）五个模型都没拿满分。常见失误是抓空、空间顺序搞错把自己的塔碰倒，以及判断不了「已经做完」：Sol 第 17 分钟搭出合格的塔，继续修改后反而失败。

【可核验】

发布文章：https://artificialanalysis.ai/articles/aa-robotics

官方 X 帖：https://x.com/ArtificialAnlys/status/2110500262628806787

【我们的判断】

一、这是第一个用真机、按统一流程横向比较通用前沿模型「动手能力」的公开榜单，结论很清楚：简单抓放已经能做，但离实用还差两个数量级的速度。

二、排名和编程、知识类榜单不一样，GPT 系列领先、Claude 垫底，说明具身任务考的是视觉定位和自我校验，不是纯推理分数。

三、局限要看清：只有 8 个任务、单一机械臂、每个任务尝试次数少，又是研究预览，名次差几分不宜过度解读。后续看任务扩充，以及各家会不会针对这类评测优化。