# 「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。

### TLDR

- **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。
- **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%**）。
- **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**。
- **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。
- **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。
- **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。

### SRC

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。

### BODY

<p>先把这个发布拆成两层：一层是对外说的，一层是对内做的。</p>

<p>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。</p>

<p>对内做的是另一件事：<strong>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。</strong>这件事不好讲，但它是这套框架唯一真正新的地方。</p>

<div class="sec">
<div class="eyebrow">一、0% 这个基线，是造出来的</div>

<p>「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<strong>故意不给任何信息通道</strong>。</p>

<p>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：<strong>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。</strong></p>

<p>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」。</p>

<p>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：</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">什么都不传</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:38.9%"></div></div><div class="jx-bar-val">38.9%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">转发完整画面（160 Token/步）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:72.2%"></div></div><div class="jx-bar-val">72.2%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">CoMind 精选共享（32 Token/步）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:88.9%"></div></div><div class="jx-bar-val">88.9%</div></div>
<div class="jx-legend"><div class="jx-lg">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。</div></div>
</div>

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

<p>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。</p>

<p>判断：<strong>多机协作的第一瓶颈不是通信带宽，是接收方的注意力。</strong>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。</p>
</div>

<div class="sec">
<div class="eyebrow">二、机制的关键一步：让「说错了」反过来改「说什么」</div>

<p>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。</p>

<p>这些是「怎么做」的部分，市面上同类方案大体也在这条线上。</p>

<p>真正不一样的是训练时的那个反向通路，官方叫<strong>动作级反向传播</strong>。</p>

<p>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」。</p>

<p>结果就是 B 学会了一件事：<strong>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。</strong></p>

<p>判断：<strong>这一步把「通信协议」从人工设计变成了学习产物。</strong>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。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">三、六项测试，三种难度</div>

<p>官方给的六项真机任务，难度不是同一档，值得分开看。</p>

<div class="tbl-wrap"><table>
<tr><th>任务</th><th>核心难点</th><th>CoMind 补的是哪一块</th></tr>
<tr><td>纸箱组装</td><td>高频物理接触，箱体翻转时视线被自己挡住</td><td>在完全遮挡下「借眼」，维持连续动作不中断</td></tr>
<tr><td>叠被收纳</td><td>柔性物体持续形变，边缘位置每秒都在变</td><td>在动态张力中对齐动作意图，不靠分步指令</td></tr>
<tr><td>冰箱补货</td><td>关键信息分散在两人视野（一个看到缺货、一个看到货在哪）</td><td>跨视角拼全局，省掉重复折返</td></tr>
<tr><td>哑铃组装</td><td>穿片方看不清杆与孔的动态相对位置</td><td>毫秒级补全队友视角的空间关系</td></tr>
<tr><td>盲盒置物</td><td>目标位置随机变化，一方完全无视野</td><td>共享关键视觉特征，把盲猜变成命中</td></tr>
<tr><td>隔墙跟随取笔</td><td>双向角色交替，跟班方无目标提示</td><td>共享目标颜色与动作时机</td></tr>
</table></div>
<div class="cap">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。</div>

<p>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。</p>

<p>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——<strong>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。</strong></p>

<p>判断：<strong>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」。</strong>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。</p>
</div>

<div class="sec">
<div class="eyebrow">四、它和我们做的多机群控，差在哪</div>

<p>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。</p>

<p>诚实的答案是：<strong>方向对，但解决的不是同一个问题。</strong></p>

<p>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。</p>

<p>CoMind 解决的是另一种情况：<strong>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。</strong>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。</p>

<p>判断：<strong>所以群控和 CoMind 不是替代关系，是两种确定性等级。</strong>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。</p>

<p>但有一条经验是可以直接搬的：<strong>少传信息。</strong>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。<strong>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。</strong></p>
</div>

<div class="sec">
<div class="eyebrow">五、三个还没答的问题</div>

<p>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。</p>

<p>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。</p>

<p>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。</p>

<div class="keypoint">判断：<strong>CoMind 最值得记的不是 100%，是那条「信息越少越准」的曲线。</strong>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。</div>
</div>

<div class="srcline">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。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/astribot-comind-32-tokens-multi-robot/*
