编辑｜冷猫 谁也没想到， AGI 随着 GPT-6 的到来竟然来得这么快。 GPT-6 Astra 的强大的基础通用模型能力有目共睹，大模型的 RSI 竟恐怖如斯。 几家欢喜几家愁。在此之前，谁也没有想到，这个基础模型能够在具身智能领域掀起一场巨大的浪潮。 就在 GPT-6 Astra 发布后的第二天，Robocurve 将它直接接入机器人执行任务，并惊奇的发现 GPT-6 Astra 在控制机器人方面强悍的夸张，Token 消耗也低的夸张。 GPT-6 Astra 在一项机器人控制任务中的 成功率达到 95%，高于 Fable 5.1 的 40% ；与此同时， 输出 Token 用量仅为后者的约 1/6.2，成本约为后者的 1/2.3。 于是这一切开始一发不可收拾，用 GPT-6 基模控制机器人执行复杂操作的案例似雨后春笋。 好了好了，这下好了。我在具身智能领域很焦虑。 通用人工智能模型将接管具身智能领域的讨论越来越多，甚至大有「GPT-6 横扫具身」，具身智能将成为「这类模型的一个子领域」的趋势。 有知名具身智能企业的创始人表示，今天的具身智能还没有真正的护城河，通用模型公司在人才、算力和资金上占优，「未来一两年将是关键窗口」。Robocurve 提到，如果这一趋势持续，大语言模型最早可能在今年年底、最晚在 2029 年实现对机械臂的实时控制。 不过，亮眼的单项成绩，并不意味着基模已经能够在真实环境中安全、稳定地控制机器人。RoboDojo 团队在官方评测中指出， 「Astra 在真机测试中反复发出物理上不合理或不安全的动作，部分事故甚至造成了硬件损坏。」 出于安全考虑，团队提前停止测试，因此 Astra 未能完成 原定包含 18 项任务的 RoboDojo-Real 评测。 这也提醒我们： 基模能力的突破只是起点。 如何约束动作、处理失败，让机器人安全、稳定地持续工作，仍是系统层面必须解决的问题。 基模在变强，但通用是一把双刃剑。 正如打造智能体需要在基模之上构建 Harness 一样，具身智能上缺少的，是一套让经验积累、让能力持续生长的系统。 我们发现了这样一个研究工作： 近日， 穹彻智能发布 RoboRSI ，一个面向真实复杂场景的机器人多智能体自进化框架。 视频地址：https://mp.weixin.qq.com/s/5S53vy6KXPEp2DzyQ-eAlQ 穹彻智能试图回答的正是这个问题：当基础模型已经具备强大的理解和推理能力后，如何在系统层面构建起持续执行、诊断、修订和复用的完整闭环。 技术博客：https://lab.noematrix.ai/blog/2-roborsi/ GitHub：https://github.com/nssmd/RoboRSI 多智能体自进化：为具身智能打造的 Harness 单次成功和长期稳定运行之间，隔着一整套系统级的能力。 两个核心难题： 第一，谁来处理执行过程中的各种异常？ 机器人报错停止、抓取失败、位置偏移之后，需要结果检查、异常恢复、进行安全决策。这些工作过去全靠工程师手动跟进。大模型可以理解任务目标，但它不能负责现场恢复，不判断执行是否成功，也不决定下一步从哪个节点继续。 第二，历史经验如何真正实现沉淀复用？ 如果每次都让 Agent 参考过去的完整执行记录，Token 消耗会持续增长，反而让模型难以聚焦。如果每次碰到局部失败就重写整套流程，系统也很难收敛。研究团队观察到一个关键现象：Coding 模型擅长处理局部细节，但在反复修改中容易偏离全局目标。缺少结构性约束的迭代，往往越改越乱。 Context 管理是新时代的代码管理。 过去，机器人系统的核心挑战是写出正确的控制代码。在 Agent 时代，代码可以由模型生成和迭代，真正的瓶颈转移到了如何管理 Agent 在持续运行中产生的海量上下文：轨迹、日志、视频、代码版本、失败记录。管理不当，系统就会在迭代中走向混乱。 穹彻智能的设计哲学由此展开，可以概括为一句话： 给人和 Agent 各自提供合适的接口。 对人，提供「高层引导」（Human-Friendly Steering）：无需深入底层实现，专注于目标设定、专业判断和安全边界，将日常执行交给多智能体。 对 Agent，提供「清晰结构」（Agent-Friendly Structure）：通过层级化技能树，明确修改范围、成功标准和失败反馈路径，让局部修订始终围绕全局目标展开。 所以，不管基模能力再强大，也需要一个系统级的 Harness 框架，使其能够适应具身智能的需求。RoboRSI ，正是围绕这两个问题构建的具身智能版的 Harness。 四个角色，一个闭环 具身的上下文可不是那么好管理的。 机器人的执行过程包含大量图像、轨迹、工具调用和失败细节，如果全部堆