研究解读 · 神机百见-具身解读

「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。

一分钟速览
  1. 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%。
  2. 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。
  3. 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。
  4. 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%。
  5. 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。
  6. 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。
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:ACE-CaP-0 首发于 2026-11-13 白天(界面新闻「11 月 13 日获悉」、环球网 11-13、腾讯新闻 11-13、财经涂鸦 11-13),早于本窗起点。本窗口内的新增量是四家媒体的方法拆解稿在 11-14 凌晨被「机器之心·今天」等晨间栏目集中收录,其中「按需示范 / 按需仿真」的双闸门机制、智能体自主判断何时请求人类示范、「任务逻辑与底层控制解耦」这三项工程细节此前只在厂商通稿里出现过一句,未展开。本篇即以此为主体,不重复通稿的成功率叙事。 核查方式与边界:① 92.1%、221/240、8 项任务名、七项不低于 90%、插充电器 100%、1 分钟内六项在界面新闻、环球网、腾讯新闻、财经涂鸦四处表述一致,可交叉确认。② 每项 30 次是按 240÷8 推算,公司未披露试验在 8 个任务间如何分配,若分配不均,单项置信区间会更宽或更窄——本篇所有单项判断都建立在「假设均分」上,已逐一标注。③ 全部数据为公司口径,无第三方复测;评测本体型号、末端执行器、物体清单、失败判定标准均未公开。④ 「数小时」的起点未定义(2 小时还是 5 小时),本篇按 2 小时保守折算加速比,并注明区间。⑤ 与本号 11-11 期「Groot 2 零样本 40% 对五次示范 95%」、11-12 期「星动纪元 1200→800→1500」不构成同一事件,但同属「真机成功率如何读」这条线,判断口径保持一致。 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。

一、221/240 这个分数的分辨率有多粗

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。

整体(240 次)
92.1%
95% 置信区间下限
88.7%
95% 置信区间上限
95.5%
95% 置信区间按正态近似计算(p=0.9208,n=240,z=1.96)。样本量与试验设计为公司口径,本号仅做区间推算。

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。

判断:不要用 92.1% 去和别家的 95%、96% 做排名对比。在 30 次量级的单项试验上,92% 和 96% 的差异在统计上不可分辨。真正可比的是「同一本体、同一物体集、同一失败判定标准下的重复实测」——目前行业里几乎没有公司按这个口径发布。所以跨公司的成功率横比,现阶段基本没有意义。
二、最值钱的一句话是「代码策略经固定后」

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。

三、程序化技能:对交付商是好事,对平台是坏事

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
表注:本表为两种技术路线的通用特性对比,非大晓官方表述;ACE-CaP-0 同时使用通用模型与世界模型,并非纯代码路线。抓取时间 2026-11-14 09:00。

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?

四、还缺三个数,缺一个就下不了结论

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
表注:三项为评估技能学习类方案的常规口径,非大晓官方指标清单。截稿时公司仅公开任务数、总试次、整体成功率与执行时间。抓取时间 2026-11-14 09:00。

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。

判断:ACE-CaP-0 最值得关注的地方,不是 92.1%,是它证明了「通用模型 + 按需示范 + 按需仿真 + 代码沉淀」这条闭环能在真机上跑通。这条闭环一旦成立,机器人学新技能的组织形态会变——不再需要一个数据标注团队天天采数据,而是需要一个会写策略、会搭仿真的工程师。对人的要求变了,对成本结构的要求也变了。至于 92.1%,它是这条闭环的第一个样本点,不是它的天花板。

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。

来源:界面新闻 2026-11-13(首发披露 240 次 / 221 次 / 92.1%);环球网科技 2026-11-13(8 项任务全名单、七项不低于 90%、插充电器 100%);腾讯新闻 2026-11-13(双脑协同与真机 RSI 路线);财经涂鸦 2026-11-13(按需示范 / 按需仿真机制拆解)。本窗新增量为 11-14 凌晨晨间栏目对方法细节的集中收录。所有成功率均为公司口径、无第三方复测;每项 30 次为本号按 240÷8 推算。抓取时间 2026-11-14 09:00。