Claude爆冷登顶机器人角斗场，GPT-6与Gemini集体翻车

如今，AI正式进入物理世界。在具身智能仿真评测平台RoboColiseum上，GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四款顶尖多模态大模型接入统一控制框架Agent2Act，在相同任务和指令下接受评测。

综合榜单中，Claude Opus 5.5以76.28%的总分位居第一，GPT-6 Astra以75.99%紧随其后。在“指令跟随”和“空间理解”两项考验“脑力”的赛道上，大模型得分碾压传统机器人专用策略模型；但在“通用操作”环节（如开门、倾倒、上货等复杂动作任务），四大模型全部落后于专用Policy模型Paimon，呈现“眼高手低”特征——空间方位算得准，复杂连贯物理动作却手忙脚乱。

各模型各有优势：Claude Opus 5.5空间理解和通用操作领跑；GPT-6 Astra在“指令跟随”和“扰动抵抗”上居首；GPT-6.1 Sol在参考价格和Token消耗下成本控制最佳，是高性价比落地之选；Gemini 4 Argon总分垫底，但抗扰动能力超越Sol，且在包裹分拣等长程任务上表现惊艳。

图像质量变差是所有大模型共同的致命弱点。加入噪点、镜头遮挡等扰动后，Claude分数下降0.20，Gemini下降0.26，Astra下降0.32，Sol暴跌0.77分。测试还显示，大模型缺乏物理常识：能认出锅，却不知需抓锅柄才能端稳；加上明确交互提示后即可完成。剥夺实验表明，去掉动作偏差反馈后，指令跟随成功率从90%降至80%，平均规划决策从16.7次增至35.6次，耗时从32.50分钟涨至58.26分钟；去掉深度信息后成功率降至80%，平均下发控制步数增至158.2步；去掉历史记录后，4种积木入盒布局仅成功2种，失败案例在放置阶段反复尝试相同动作。深度视觉、动作反馈和历史记忆是具身智能闭环不可或缺的要素。

GPT-6 Astra还展示了更广潜力：能协调底盘、躯干和机械臂扔垃圾、开门，跨房间取物放置，并通过同一系统无缝控制ARX、AgileX、G1、G2等不同形态机器人。但语言模型并不能通吃具身智能：面对灵巧手精细任务（如叠碗、从书架取书），Astra能接近、接触却抓取失败；手机充电和插网线任务中能拿起物体却对不准插口方向。全身协同和跨本体操作表现突出，灵巧手与精细操作仍是明显短板，这也是专用策略模型的机会。

RoboColiseum基于高保真仿真环境构建，仿真评测与实机部署相关性达89.5%，相同模型仿真与现实表现差异小于10%。平台设四大能力子榜、78个高保真任务，覆盖指令跟随、空间理解、扰动适应和通用操作，失败时可精准归因。开发者最快5分钟完成注册与提交，无需上传模型代码和核心权重，最快30分钟获得分项成绩、任务步骤解析及推演视频。平台已收录上述四款顶尖模型评测结果，便于横向对比。