「92.1% 是 221/240:大晓这个数最值钱的地方,不在成功率」
92.1% 这个数本身不稀奇,稀奇的是它下面那行小字:「代码策略经固定后」。这五个字把技能开发的成本从成绩单里划掉了,而那份成本才是交付商真正的账。
- 事件:大晓机器人 2026-11-13 发布研究成果 ACE-CaP-0。8 项精细操作真机任务(插充电器、面包装箱、开瓶盖、杯子套叠、插花、鸡肉装盘、包裹翻转、鞋子装盒),240 次独立真机评测成功 221 次,整体成功率 92.1%,七项不低于 90%,插充电器 100%。
- 速度:官方口径是「代码策略经固定后」,任务平均执行时间从数小时压缩到最快 1 分钟内。
- 方法:按需示范(Demonstrations on Request)+ 按需仿真(Simulation on Demand)。智能体在开发技能时自己判断「何时该向人要示范、何时该开仿真」,走「写程序—执行测试—分析反馈—修改代码」的闭环,最后把验证过的操作方法沉淀成一段精简代码策略。
- 分辨率:240 次按 8 项均分推算约每项 30 次(此拆分是本号推算,公司未披露分布)。整体 92.1% 的 95% 置信区间约 88.7%–95.5%;单项 30 次试验的区间宽到 ±10 个百分点以上,不足以区分 90% 与 95%。
- 没测的东西:92.1% 只统计「策略固定后」的执行成功率,不含技能开发成本——每个新任务要几次人类示范、几轮仿真、多少轮代码返工,一个数都没给。
- 判断:这套范式真正的变化,是把「每来一个新任务就重训模型」换成「每来一个新任务就写一段程序」。好处是可读、可回滚、可审计;代价是泛化能力落在代码里,不落在权重里。
先把能核的部分和不能核的部分分开。
能核的:8 个任务、240 次评测、221 次成功、92.1%、七项不低于 90%、插充电器 100%、执行时间从数小时到 1 分钟内。这七个数在四家媒体上完全一致,可以当事实用。
不能核的:这 8 个任务各测了多少次、用的什么本体、末端是两指还是三指、物体是固定的还是随机摆位、失败怎么判定。这些全都没给。
后面所有分析,都要在这条分界线上走。
240 次里成功 221 次,算出来 92.08%,取整 92.1%,没毛病。
但一个比例数真正携带的信息量,取决于分母大小。240 次不算少,也不够多。
换算成一句话:这套方案的真实成功率,大概率落在 88.7% 到 95.5% 之间。这个区间不算宽,但也不窄——下限 88.7% 和上限 95.5% 在工程上是两种不同的态度,前者意味着「十次错一次多」,后者意味着「二十次错一次」。
更麻烦的是单项。240 次按 8 项均分,每项约 30 次。
30 次试验能分辨什么?如果真实成功率是 90%,30 次里期望错 3 次;如果是 95%,期望错 1.5 次。这两个期望在 30 次样本里几乎重叠——「七项不低于 90%」这句话在当前样本量下,信息量接近于「这七项没有明显崩掉」。它排除了 70% 这种灾难性结果,但区分不了 88% 和 94%。
插充电器那项 100%,也是同一个问题:30 次全对,95% 置信区间的下限大约在 88% 左右。「100%」是一个点估计,不是一个能力声明。
所有报道里都有一句相同的小字:「ACE-CaP-0 开发的代码策略经固定后,任务平均执行时间从数小时压缩至 1 分钟内」。
大多数人读这句话,读到的是「快了」。真正该读的是前面那半句——经固定后。
这半句把整个流程切成了两段:
开发段(未计入 92.1%)
智能体遇到不会的任务,主动请求人类示范,或开仿真实验比较方案,然后写程序、跑测试、看反馈、改代码,循环到能用为止。这一段花的是人力和算力,不是机器人时间。
执行段(92.1% 测的就是这段)
策略已经固定成一段精简代码,机器人照着跑。这一段花的是机器时间,可以稳定复现,也是唯一被统计的。
这两段的时间尺度差着两个数量级。执行从「数小时」到「1 分钟」,按 2 小时起算就是 120 倍以上的加速;但如果开发一个新技能需要 20 次人类示范、50 轮仿真和几十次代码返工,那这 120 倍省下来的时间,会被开发段一次性吃掉。
判断:这套方法把成本从「每次执行」挪到了「首次开发」,这是一个方向正确的交换,但它让单次成功率变成了一个不完整的指标。正确的比较方式不是「92.1% 比多少高」,而是「学一个新技能要花多少小时的人机时间,学会之后能稳定跑多久」。前者是投入,后者是产出,92.1% 只回答了后者的一个切面。
把机制说清楚,才能判断它的商业含义。
ACE-CaP-0 的核心动作有三步:按需示范——机器人不知道两只手臂该谁先固定物体时,主动向人要一段示范,拿到动作顺序、运动方向、抓取方式;按需仿真——已经会基本操作但不确定轨迹、接近角度、执行顺序时,自己搭一个仿真实验比方案;沉淀——把验证过的任务逻辑、几何计算、动作顺序、控制参数压成一段精简代码。
关键在于最后一步的形态:沉淀物是代码,不是权重。
这个区别看起来很技术,实际影响很大。
| 维度 | 沉淀为权重(微调 / 重训) | 沉淀为代码(ACE-CaP-0 路线) |
|---|---|---|
| 可读性 | 黑箱,出错只能靠调数据 | 可读,能逐行看逻辑 |
| 可回滚 | 回滚要留旧权重,体积大 | 可回滚,版本管理即可 |
| 可审计 | 难向客户解释「为什么这么动」 | 可审计,现场可交付文档 |
| 泛化 | 靠数据分布,跨任务迁移强 | 靠代码复用,跨任务迁移弱 |
| 换本体 | 需重新采集,但模型可迁移 | 几何与控制参数写死在代码里,换本体要重写 |
| 交付形态 | 一个模型文件 | 一套技能库 + 一份开发记录 |
判断:对做二次开发交付的团队,这是好消息。客户最常问的三个问题是「它为什么这么动」「出问题怎么退回去」「换一台还能不能用」。权重路线在这三个问题上都答不好,代码路线能答上前两个。这意味着交付方的议价点从「我们的模型多强」变成「我们的技能库多全、开发记录多完整」——后者是能积累、能审计、能写进合同的资产。
但同一件事对平台型公司是坏消息。如果技能以代码形态存在,它就不天然沉淀在模型里,也就不天然归属于模型供应商。一家公司攒了一千个技能代码,换模型供应商的迁移成本,比攒了一千次微调要低得多。平台最怕的就是这种「可搬迁的资产」。
这也解释了大晓为什么强调「与通用模型 + 开悟世界模型双脑协同、真机 RSI 路线一脉相承」——它需要在叙事上把代码技能重新绑回模型体系,否则客户会问:既然技能是代码,那我为什么要买你的模型?
要判断这套方法能不能进产线,92.1% 后面还差三个数。
| 缺的数 | 为什么它是决定性的 | 状态 |
|---|---|---|
| 技能开发成本(人机小时 / 技能) | 决定「换一个新产品要多久」,这是柔性产线的核心指标 | 未披露 |
| 连续运行下的成功率衰减 | 240 次是一次性评测,产线要的是 8 小时 × 30 天 | 未披露 |
| 换物体 / 换摆位后的成功率 | 决定这套技能是「会这一件」还是「会这一类」 | 未披露 |
第一项最要紧。8 个任务里最难的插充电器做到了 100%,这个结果很漂亮,但如果学它花了三天人机时间,那这套方法的经济性就取决于「这个任务要做多少次」。做得少,不如人工;做得多,才摊得平。
第二项是具身智能的通病。240 次评测通常集中在一两天内跑完,热漂移、磨损、光照变化这些慢变量还没显形。
第三项决定泛化的真实边界。报道里说 8 项任务都在「精细操作」范畴,插花、杯子套叠、鞋子装盒——这些任务的共同点是物体形状固定、桌面高度固定、失败代价低。换到真实产线,物体是混着来的。
最后留一个待查项:官方提到这套路径「与酒店服务场景的双脑协同架构一脉相承」。如果后续能在酒店场景给出连续的运营数据(而不是实验室 8 项任务),那才是这条路线真正的验收单。