IT时报记者 孙妍
近期，以OpenAI GPT-6 Astra为代表的通用多模态模型，展现出强大的跨本体、跨场景、跨任务通用交互能力，推动人工智能加速迈向真实物理世界。相比GPT-5.5，GPT-6 Astra的视觉空间锚定（Visual Grounding）准确率显著提升，泛化能力不仅依赖高级推理，更得益于空间感知与空间推理能力的跃升。在实际操作中，Astra通过Grounding精准识别目标物体、交互区域及空间参照，结合几何计算确定位置、位移与运动参数，将抽象任务意图转化为具体物理动作。
发现视觉空间锚定这一突破口后，大晓机器人发布视觉空间锚定增强型具身基模型ACE-Brain-0.6。继ACE-Brain-0.5探索感知、规划、行动、评估与进化的统一认知闭环之后，ACE-Brain-0.6以GPT-6 Astra为重要参照，通过规模化、多样化、可验证的空间监督数据，强化模型的目标识别、空间定位与交互锚定能力。
依托约百万条高质量、可验证的空间锚定训练样本，ACE-Brain-0.6实现具身空间感知能力新突破：在八项Grounding评测（七项国际权威公开基准及大晓自建RobotGrounding）中，六项成绩超越OpenAI GPT-6 Astra；七项公开基准平均得分达74.53分，领先Astra的73.68分；在真实机器人场景评测RobotGrounding中取得94.13分，超越Astra的91.10分。
从这几项评测结果来看，ACE-Brain-0.6还未与GPT-6 Astra拉开明显差距。更值得关注的是，大晓机器人自主构建了一套规模化、自动化、可验证的数据管线，探索并验证了具身基模型能力进化的新路径。它通过多源数据融合、自动化空间标注与高质量监督数据构建，持续提升模型的物理空间感知能力。这不仅为具身模型的高效训练与能力扩展提供了可规模化的数据基础，也为打通“语言理解—空间感知—物理行动”的关键链路提供了技术支撑，推动具身智能更加精准、可靠地作用于物理世界。
从“看懂世界”到“找准目标”
大晓团队分析了GPT-6 Astra执行机器人任务的过程。在放置水果篮的案例中，模型需识别篮筐边缘与目标承载面，通过空间计算确定移动方向；在折叠T恤的案例中，则需提取衣物轮廓、估计尺寸并计算折叠距离。这说明，高级推理决定行动策略，而精准空间感知是将策略转化为物理操作的基础。
然而，即便是GPT-6 Astra，在细粒度几何定位和复杂空间关系判断方面仍存在局限。例如，寻找特定物体前方的空闲位置时，模型可能误判至相邻区域。对于文字问答来说，微小偏差或许无关紧要；但却可能影响机器人整个操作链路的可靠性。
ACE-Brain-0.6聚焦视觉空间锚定，将物体识别、多实例定位、空间关系理解、功能区域识别及交互位置预测整合为统一的空间感知能力体系，通过高质量数据的规模化，让一个9B模型在具身空间感知能力上超越顶级通用模型。
9B模型挑战顶级通用模型
ACE-Brain-0.6在八项Grounding评测中，有六项成绩超越OpenAI GPT-6 Astra，包括Where2Place（76.55 vs. 71.10）、PixMo-Count（89.41 vs. 88.10）、RoboSpatial（74.82 vs. 69.55）、RoboAfford（88.51 vs. 84.94）、ShareRobot（49.70 vs. 46.60）以及RobotGrounding（94.13 vs. 91.10）。其中，在七项公开基准测试中，ACE-Brain-0.6以74.53分的综合成绩领先GPT-6 Astra的73.68分，展现出其在具身空间理解、目标定位与交互区域识别等任务上的竞争力。
编辑
为了进一步检验模型对真实机器人场景的适应能力，团队还构建了RobotGrounding评测集，包含2591道问题，覆盖14类任务，包括目标定位、小物体识别、多实例计数、目标缺失判断及跨相机视角对应等。ACE-Brain-0.6取得94.13分，领先GPT-6 Astra约3.03分，也高于其他模型。
模型对“不存在的目标”的识别能力显著提升。当用户要求机器人寻找场景中并不存在的物品时，模型需要准确判断目标缺失，而不是生成一个看似合理却实际错误的位置。在真实操作中，这种能力同样重要：机器人不仅要知道该对什么行动，也要知道什么时候不应贸然行动。
在直接决定物理操作精度与可靠性的关键感知环节，通过高质量数据驱动与针对性能力强化，9B级模型同样能够突破参数规模限制，形成比肩甚至超越顶级通用模型的专业能力。
百万条训练样本
不同于互联网图文数据，机器人交互数据虽包含连续视觉观测、动作轨迹与任务指令，却缺乏细粒度的物体位置、功能区域和空间关系标注。机器人记录了大量“做过什么”，模型却未必理解“为什么选择这个目标”“动作应该发生在哪里”。为此，大晓机器人整合了30余个开源机器人数据家族和私有Ego数据，融合人类第一视角交互、物体与部件密集标注及三维空间数据，将异构数据统一转化为可验证的空间锚定监督信号。
团队构建了约百万条训练样本，涉及约94万张不同图像和270万组问答对。模型基于Qwen3.5-9B，冻结视觉编码器，对语言模型参数进行监督微调，并通过统一接口完成空间坐标、目标区域、计数及判断结果的预测。由此，原本记录操作过程的数据，进一步转化为模型可学习的空间知识。从“记录物理交互”到“理解交互对象与位置”，数据正成为连接机器人经验与具身基模型能力的重要桥梁。
在保持模型架构与训练方法不变的条件下，团队将训练数据从26万条逐步扩展至百万条，七项公开评测的平均得分由69.3分提升至74.5分，呈现近似对数线性的增长趋势。训练数据规模每翻倍，综合得分平均提升约2.4分，最终超越GPT-6 Astra。 但研究也发现，单纯增加已有数据类型的样本，性能提升不足1分；真正驱动能力增长的，是持续引入新场景、新空间关系及多样化监督形式，拓展模型的空间理解边界。
这一发现揭示了具身智能能力进化的重要路径：面对物理世界中复杂多变的物体、视角与交互需求，模型需要的不只是更多数据，更是覆盖广泛、信息丰富且可验证的空间知识。
从看见世界到找准目标，从理解指令到锚定行动，此次ACE-Brain-0.6以9B级模型在6项Grounding评测中超越GPT-6 Astra，验证了高质量Grounding数据规模化的技术潜力。
作为连接高级任务推理与底层物理执行的关键环节，空间锚定是机器人实现自主操作的重要能力基础。无论是零售分拣、物流操作还是服务机器人，精准识别目标、定位抓取区域与理解放置空间，都是实现可靠执行的前提。空间锚定不仅要回答“目标在哪里”，更要理解“这个位置为什么能够支持行动”。
