斯坦福三层架构让 GPT-6 Astra 攻克 RoboMME，成功率 79.13%
DJiafei · x · 2026-09-22
斯坦福 Bingao Chen、Haoquan Fang 与 C. Karen Liu 团队发布记忆增强机器人操作研究，探讨如何让机器人在当前视野之外行动（记住隐藏物体、跟随视频演示序列、统计动作次数等 RoboMME 基准任务）。
- 三层架构：System 1 是底层视觉-语言-动作模型（VLA）负责执行动作；System 2 由 GPT-6 Astra 做高层规划、生成可执行的子任务；System 1.5 是一个小的视觉-语言模型，专门监测子任务是否完成。
- 省钱关键：由小模型判断何时再次调用 Astra，把高频进度检查与昂贵的高层推理分开，避免每个动作块都发起一次 Astra 请求。
- 结果：在 RoboMME 官方 800 条测试片段、16 个任务上取得 79.13% 成功率，平均每段仅调用 Astra 3.63 次，平均单段时长 80.84 秒，接近 oracle 引导上界 GroundSG+Oracle 的 84.08%。
- 研究延续了团队此前 SAM2Act 关于空间记忆的工作，代码已开源。
「具身」频道最新
- 机器人初创预售破 10 台,达成首个目标 — R4nsack · 2026-11-12
- Runway 发布 27B MoE 世界行动模型 Praxis-1,Fast 版中位延迟仅 73ms — ChongZzZhang · 2026-11-12
- Dream-1 双臂机器人现场演示：一句指令叠好黄毛巾 — DJiafei · 2026-11-12
- 双板搭建测试：GPT-6 Astra 成功，Claude Fable 5.2 落败 — qinzytech · 2026-11-12
- 团队宣称造出智能手机价格的机器人,预售价外购更贵 — R4nsack · 2026-11-12
- CoRL 论文集证明：仿真训练已能产出顶尖真实机器人表现 — carlosdponx · 2026-11-12