专题 · FULL STORY

AA-Robotics：从基准发布到「不知何时收手」

Artificial Analysis 先发布首个 LLM 机器人任务基准 AA-Robotics，GPT-6 Astra 操控机械臂登顶；随后又以机械臂任务追加「知道何时停止」测试，发现多数模型完成后仍徒劳继续，Claude Opus 5.5 超时运转，暴露模型终止判断短板。

2026-10-15 ~ 2026-11-04 · 2 集 · 5 条

第 1 集 · AA-Robotics 基准发布：GPT-6 Astra 操控机械臂登顶(2026-10-15,3 条)

评测机构 Artificial Analysis 发布首个专门评测 LLM 机器人任务能力的基准 AA-Robotics v0.1，让 GPT-6、Claude、Gemini 等前沿模型通过编程 Agent 控制一台真实的 5 关节加夹爪六轴机械臂，测试其在物理世界中的理解、规划与执行能力。结果显示 GPT-6 Astra 操控机械臂夺得第一，多个模型也能完成大部分任务，但表现最好的模型仍比人类慢约一百倍。

第 2 集 · 机械臂停止测试：多数模型完成任务后不知何时收手(2026-11-04,2 条)

Artificial Analysis 通过机械臂任务测试语言模型「知道何时停止」的能力：Claude Opus 5.5 用 23 分钟完成任务后，又徒劳地继续推了 22 分钟，尽管明确表示任务已完成。补充的各模型停止时机对比显示，只有 GPT-6.1 Sol 和 Gemini 4 Argon 能在任务完成后 1 分钟内及时收手，其余模型均存在不同程度的过度操作问题。