意想不到的机器人政策：RoboDojo 及其他平台上 GPT-6 Astra 的早期评估

实体人工智能系统通常分为系统 1 和系统 2。系统 1 通常是一个预训练的策略，会高频生成动作，而系统 2 通常被实例化为用于高级规划的视觉语言模型。我们询问大型语言模型（LLM）是否可以作为机器人操作的策略，而无需针对特定任务进行微调。我们将此设置称为 LLM 政策。我们评估了三位大语言模型在所有 42 项 RoboDojo 任务上的表现，并将他们的分数与 40 项公共政策进行了比较。 Astra和GPT-5.5使用官方的每任务50集协议； DeepSeek-Flash 每个任务使用 10 个情节。 GPT-6 Astra 在 2,100 次试验中取得了 22.48% 的平均成功率和 28.97 分，排名高于所有公开参赛作品。然而，在相同的后处理下，GPT-5.5 和 DeepSeek-Flash 的平均成功率仅为 0.88% 和 1.92%。我们发现 Astra 表现出明显两极分化的能力概况。它可以很好地推广到需要语义理解但不需要高精度控制的任务。相比之下，它在需要精确、动态控制或复杂双手协调的任务上表现不佳。上下文实验表明，一次性演示并没有带来总体好处，而选定的交互痕迹显示了扰动下的剧集内校正。总体而言，评估的大语言模型在操纵性能方面差异很大。尽管可靠的精度和动态控制在评估环境中仍然存在局限性，但 Astra 脱颖而出，为通用操纵模型的潜力提供了初步证据。