产品发布 · 神机百见-具身解读

「32 个 Token 换 88.9%:多机协作的瓶颈不是聪明,是『该跟队友说什么』」

「隔墙协作 0% 到 100%」是标题,但 0% 是个构造出来的对照组。真正该看的是另一条曲线:传 160 个 Token 换 72.2%,传 32 个换 88.9%。信息越少越准,这件事本身才是新闻。

一分钟速览
  1. 事件:星尘智能(Astribot)2026-11-13 发布多机协同框架 CoMind(Be My Eye),自称业界首个「主动共享、精选任务上下文」的多机协同模型框架;配套论文《Be My Eye: Learning to See Beyond a Robot's Own Perspective》已投 arXiv。
  2. 三个数:隔墙交替取笔,成功率 0% → 100%;遮眼置物,准确率 38.9% → 88.9%;每步传给队友的信息量从 160 个视觉 Token 降到 32 个(降 80%)。
  3. 对照组才是重点:官方对比图里还有第三根柱子——「整份画面转发」的方案,无视野置物成功率 72.2%。也就是说 CoMind 相对「把看到的全传过去」,只多 16.7 个百分点,但传输量只有它的 1/5。
  4. 机制:两阶段——先按任务指令从多路相机里挑出与当前操作直接相关的内容并压缩,再双向主动共享;训练时用动作级反向传播,让接收方「做错了」这个信号反过来优化发送方的编码器,逼它学会传什么。
  5. 测试规模:两台 Astribot S1,隔墙取笔覆盖不同颜色组合与先后顺序共 48 组;六项真机任务含纸箱组装、叠被收纳、冰箱补货、哑铃组装、盲盒置物、隔墙跟随。
  6. 判断:CoMind 真正的主张不是「省带宽」,是「把『该共享什么』变成可训练参数」。带宽在局域网里从来不是瓶颈,接收方被无关信息淹没才是。
数据来源与边界
素材时间窗为前一日 18:00 → 当日 09:00(2026-11-13 18:00 → 2026-11-14 09:00,北京时间)。按扩窗规则第一条处理并交代时间差:星尘官方发布与网易科技拆解稿均在 2026-11-13 白天,早于本窗起点。本窗口内的新增量有两项:① 网易科技 11-13 晚间稿首次给出完整对照实验设计——两台 Astribot S1、48 组颜色组合与顺序、「第一阶段 A 当领队、第二阶段角色互换、跟班方指令里不含目标颜色」的控制变量,以及「转发完整画面」基线 72.2%、每步 160 个视觉 Token这组此前未见于官方通稿的数;② 量子位 11-13 / 11-14 两篇补出「动作级反向传播使发送方编码器被接收方动作结果反推优化」的训练细节。本篇以这两项为主体,不复述通稿的 0%→100%。 核查边界四处:① 所有成功率均为公司口径,论文已投 arXiv 但截稿时未见独立第三方复现;② 「0%」是构造基线——指两台机器人完全不共享任何信息,这是为了证明「没有通道就完全不行」,不代表任何现有竞品的水平,把它读成「友商是 0」是误读;③ 48 组是「颜色组合与先后顺序」的组合数,每组重复多少次、成功判定由谁做,报道未披露,因此 100% 的置信区间无法计算;④ 两台 S1 为同构本体,跨品牌、跨形态的异构协同未验证;测试场景为家庭桌面级任务(叠被、补货、组装),非产线连续作业。 另需说明:星尘估值 150 亿元系此前融资报道口径(德迅系 2026 年披露),非本次发布内容,本篇仅作背景、不参与任何测算。所有「判断:」段落为本号推论;版权与免责声明由模板自动附加。
本文事实信息来自上方标注的公开来源;解读、判断与延伸部分为作者个人见解,写作过程使用了 AI 工具辅助整理,已由作者人工核实,不代表信息来源方立场。如有雷同纯属巧合;如涉及版权或权益问题,请联系 shenjibailian@shenjibailian.com,我们将在核实后及时删除或更正。

先把这个发布拆成两层:一层是对外说的,一层是对内做的。

对外说的是三个数——隔墙取笔 0% 到 100%,遮眼置物 38.9% 到 88.9%,信息传输量降 80%。这三个数很好记,也很好传播。

对内做的是另一件事:把「该跟队友共享什么」从一个手工设计的接口,变成一个能被训练的参数。这件事不好讲,但它是这套框架唯一真正新的地方。

一、0% 这个基线,是造出来的

「成功率从 0% 提升到 100%」,听起来像从无到有。但它确实是「从无到有」——因为 0% 那一组,是故意不给任何信息通道。

实验设计是两台 Astribot S1 分立在遮挡板两侧,各自面前摆红、蓝、黑三支笔。第一阶段 A 按指令拿起指定颜色的笔,B 必须隔墙猜出 A 拿了什么颜色、判断 A 是否握稳、何时启动跟随抓取;第二阶段角色互换。关键控制在于:每台机器人收到的语言指令里,只包含自己当领队时的目标颜色,当跟班时没有任何额外提示。

在这个设定下,不共享信息 = 纯靠猜,猜中的概率本来就该接近零。所以 0% 不是「现在的方案很差」,是「物理上不可能」。

真正有信息量的对照,藏在官方那张对比图里。同一组任务,三种信息交互方式:

什么都不传
38.9%
转发完整画面(160 Token/步)
72.2%
CoMind 精选共享(32 Token/步)
88.9%
无视野置物任务,选对目标的成功率。Token 为每步传给队友的上下文量。数据为公司口径,测试本体为两台 Astribot S1。抓取时间 2026-11-14 09:00。

看第二根和第三根:传输量降到 1/5,成功率反而涨了 16.7 个百分点。这才是这篇发布真正的反直觉之处。

如果只是省带宽,那第三根柱子应该和第二根差不多高——省成本不涨效果,属于常规工程优化。但它涨了,说明「传得多」这件事本身在拖后腿:接收方的 VLA 模型拿到一整张队友视角的画面,得自己在里面找哪部分是当前动作要用的,找错的概率就变成了失败率。

判断:多机协作的第一瓶颈不是通信带宽,是接收方的注意力。这个结论对做多机方案的人很实用——在真机上,你几乎永远不缺带宽(局域网、5G 都能过),你缺的是让队友别被无关信息污染。

二、机制的关键一步:让「说错了」反过来改「说什么」

CoMind 的结构分两阶段。第一段按任务指令,从多路相机画面里挑出与当前操作直接相关的内容,压缩成一小段表征;第二段双向主动共享,双方各自把收到的内容与本地画面、任务指令、本体状态一起喂进自己的 VLA,直接生成连续动作。没有中央调度器。

这些是「怎么做」的部分,市面上同类方案大体也在这条线上。

真正不一样的是训练时的那个反向通路,官方叫动作级反向传播。

通俗讲:假设 A 是看不见目标的那台,B 是能看见的那台。B 传给 A 一段信息,A 按这段信息去抓,抓偏了。传统做法里,这个「抓偏」只会被用来惩罚 A 的策略——A 学得更谨慎。CoMind 多做了一件事:把这个偏差信号反向传回 B 的编码器,告诉 B「你刚传的那点信息不够让 A 做对」。

结果就是 B 学会了一件事:优先传最能帮 A 做对动作的特征,而不是最完整或最显眼的特征。

判断:这一步把「通信协议」从人工设计变成了学习产物。过去多机系统里传什么是工程师定的——传位姿、传目标坐标、传图像、传文本状态,都是在人的先验里选。CoMind 让「传什么」由最终动作成败来定,等价于说:这套系统能自己长出协议,不需要人先想清楚哪种信息有用。

这个思路在智能体领域已经验证过一轮(工具调用、上下文压缩、记忆检索都在做同类的事),但在机器人多机协同上,公开的完整实现这大概是第一个。

三、六项测试,三种难度

官方给的六项真机任务,难度不是同一档,值得分开看。

任务核心难点CoMind 补的是哪一块
纸箱组装高频物理接触,箱体翻转时视线被自己挡住在完全遮挡下「借眼」,维持连续动作不中断
叠被收纳柔性物体持续形变,边缘位置每秒都在变在动态张力中对齐动作意图,不靠分步指令
冰箱补货关键信息分散在两人视野(一个看到缺货、一个看到货在哪)跨视角拼全局,省掉重复折返
哑铃组装穿片方看不清杆与孔的动态相对位置毫秒级补全队友视角的空间关系
盲盒置物目标位置随机变化,一方完全无视野共享关键视觉特征,把盲猜变成命中
隔墙跟随取笔双向角色交替,跟班方无目标提示共享目标颜色与动作时机
表注:六项任务归纳自官方发布与技术报告,难点描述为本号根据公开信息整理。「毫秒级」为官方措辞,未披露具体时延数值。抓取时间 2026-11-14 09:00。

这六项里,前两项(纸箱、叠被)和中间两项(补货、哑铃)性质不同。前两项考的是「同步」——两台机器人在同一件物体上用力,节奏错一拍就散架;后两项考的是「补盲」——两台各看一半,合起来才有全局。

CoMind 的机制更贴「补盲」这一类。它的信息筛选是围绕任务相关性做的,本质是把「我看到的、且你需要的」传过去;而「同步」要的是时机对齐,节奏感比内容更重要。所以纸箱组装和叠被这两个案例,官方描述里强调的是「连续、无停顿」,不是成功率——说明这两项大概率没做成统计意义上的成功率对比,只能定性展示。

判断:这套框架目前的能力边界,是「视野互补型协作」,不是「力耦合型协作」。这个区分对落地很关键:仓储里的接力搬运、多机巡检、跨工位补位,都属于前者,CoMind 的方向是对的;而双人抬重物、装配对拧这类强力耦合任务,考验的是力控与时间同步,不是信息共享。

四、它和我们做的多机群控,差在哪

做商演和文旅的人看到「多机协同」,第一反应往往是:这东西能不能用到群控上。

诚实的答案是:方向对,但解决的不是同一个问题。

舞台上多台机器人同步跳舞,本质是「同一个时间轴上的确定性回放」——每台机器人跑同一份轨迹,靠时间码对齐,不需要彼此知道对方看到什么。这套东西用现有的群控协议就能做,而且比任何 VLA 都稳,因为它不依赖任何实时推理。

CoMind 解决的是另一种情况:任务需要两台机器人各自看到不同的一半,而这一半无法事先写死。舞台上的情况是可以写死的——走位、节拍、灯光全在脚本里;仓储里的情况写不死——货放哪、谁先到、哪台被挡住,每单都不一样。

判断:所以群控和 CoMind 不是替代关系,是两种确定性等级。表演要的是「一千次都一样」,协作要的是「每次都能凑合对」。把后者的技术拿去做前者,是浪费;把前者的思路拿去做后者,会崩。

但有一条经验是可以直接搬的:少传信息。我们做多机现场时,操作台常常同时收多路图传,一个人盯六路画面,实际能看清的只有一两路。这和 CoMind 说的「接收方被无关信息淹没」是同一个病,只是人是那个接收方。把六路砍成两路关键视角,操作员的反应速度会明显变快——这个改动的成本几乎是零,效果立竿见影。

五、三个还没答的问题

第一,异构怎么办。测试用两台同构 S1,视野互补、动作空间相同、编码器对称。真实场景里更常见的是「一个人形 + 一个移动底盘 + 一台固定臂」,动作空间完全不同,编码器没法对称,动作级反向传播还成不成立,没有数据。

第二,三台以上怎么办。两台的通信是点对点,三台就是三对,五台是十对,信息量按平方涨。CoMind 现在省的是「每条链路上的量」,没解决「链路数量的爆炸」。这在仓储里是硬约束——一个仓不会只有两台机器人。

第三,失败了谁负责。多机协作一旦出错,是发送方传错了,还是接收方理解错了,还是任务本身不可行?动作级反向传播在训练时能归因,在运行时能不能归因,决定了这套系统能不能进需要责任划分的产线。

判断:CoMind 最值得记的不是 100%,是那条「信息越少越准」的曲线。它把一个长期被当成工程细节的问题抬到了模型层面——多机系统的上限,取决于每台机器人判断「队友需要知道什么」的能力,而不是取决于它们各自有多聪明。这条判断一旦被更多案例验证,多机方案的评价标准会从「单机能力之和」改成「协同信道的质量」。至于 100%,它是 48 组实验里的一个点,样本还太薄,等第三方复现。
来源:星尘智能 2026-11-13 官方发布(astribot.com/AI/CoMind,含技术报告与无剪辑真机视频);网易科技 2026-11-13(48 组实验设计、160 vs 32 Token、72.2% 基线,本窗新增量);量子位 2026-11-13 / 11-14(动作级反向传播细节);论文《Be My Eye: Learning to See Beyond a Robot's Own Perspective》已投 arXiv。所有成功率为公司口径、无第三方复现;两台同构 S1,异构与三机以上未验证。抓取时间 2026-11-14 09:00。