# 「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。

### TLDR

- **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。

### 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：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。

### BODY

<p>先把能核的部分和不能核的部分分开。</p>

<p>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。</p>

<p>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。</p>

<p>后面所有分析，都要在这条分界线上走。</p>

<div class="sec">
<div class="eyebrow">一、221/240 这个分数的分辨率有多粗</div>

<p>240 次里成功 221 次，算出来 92.08%，取整 92.1%，没毛病。</p>

<p>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。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">整体（240 次）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:92.1%"></div></div><div class="jx-bar-val">92.1%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">95% 置信区间下限</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:88.7%"></div></div><div class="jx-bar-val">88.7%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">95% 置信区间上限</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:95.5%"></div></div><div class="jx-bar-val">95.5%</div></div>
<div class="jx-legend"><div class="jx-lg">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。</div></div>
</div>

<p>换算成一句话：<strong>这套方案的真实成功率，大概率落在 88.7% 到 95.5% 之间。</strong>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」。</p>

<p>更麻烦的是单项。240 次按 8 项均分，每项约 30 次。</p>

<p>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——<strong>「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」。</strong>它排除了 70% 这种灾难性结果，但区分不了 88% 和 94%。</p>

<p>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。</p>

<div class="keypoint">判断：<strong>不要用 92.1% 去和别家的 95%、96% 做排名对比。</strong>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。</div>
</div>

<div class="sec">
<div class="eyebrow">二、最值钱的一句话是「代码策略经固定后」</div>

<p>所有报道里都有一句相同的小字：<strong>「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」</strong>。</p>

<p>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——<strong>经固定后</strong>。</p>

<p>这半句把整个流程切成了两段：</p>

<div class="jx-cols">
<div style="flex:50"><p><strong>开发段（未计入 92.1%）</strong><br>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。</p></div>
<div style="flex:50"><p><strong>执行段（92.1% 测的就是这段）</strong><br>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。</p></div>
</div>

<p>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 <strong>120 倍以上</strong>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。</p>

<p>判断：<strong>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。</strong>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。</p>
</div>

<div class="sec">
<div class="eyebrow">三、程序化技能：对交付商是好事，对平台是坏事</div>

<p>把机制说清楚，才能判断它的商业含义。</p>

<p>ACE-CaP-0 的核心动作有三步：<strong>按需示范</strong>——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；<strong>按需仿真</strong>——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；<strong>沉淀</strong>——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。</p>

<p>关键在于最后一步的形态：<strong>沉淀物是代码，不是权重。</strong></p>

<p>这个区别看起来很技术，实际影响很大。</p>

<div class="tbl-wrap"><table>
<tr><th>维度</th><th>沉淀为权重（微调 / 重训）</th><th>沉淀为代码（ACE-CaP-0 路线）</th></tr>
<tr><td>可读性</td><td>黑箱，出错只能靠调数据</td><td><strong>可读</strong>，能逐行看逻辑</td></tr>
<tr><td>可回滚</td><td>回滚要留旧权重，体积大</td><td><strong>可回滚</strong>，版本管理即可</td></tr>
<tr><td>可审计</td><td>难向客户解释「为什么这么动」</td><td><strong>可审计</strong>，现场可交付文档</td></tr>
<tr><td>泛化</td><td>靠数据分布，跨任务迁移强</td><td>靠代码复用，<strong>跨任务迁移弱</strong></td></tr>
<tr><td>换本体</td><td>需重新采集，但模型可迁移</td><td>几何与控制参数写死在代码里，<strong>换本体要重写</strong></td></tr>
<tr><td>交付形态</td><td>一个模型文件</td><td>一套技能库 + 一份开发记录</td></tr>
</table></div>
<div class="cap">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。</div>

<p>判断：<strong>对做二次开发交付的团队，这是好消息。</strong>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。</p>

<p>但同一件事对平台型公司是坏消息。<strong>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。</strong>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」。</p>

<p>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？</p>
</div>

<div class="sec">
<div class="eyebrow">四、还缺三个数，缺一个就下不了结论</div>

<p>要判断这套方法能不能进产线，92.1% 后面还差三个数。</p>

<div class="tbl-wrap"><table>
<tr><th>缺的数</th><th>为什么它是决定性的</th><th>状态</th></tr>
<tr><td>技能开发成本（人机小时 / 技能）</td><td>决定「换一个新产品要多久」，这是柔性产线的核心指标</td><td>未披露</td></tr>
<tr><td>连续运行下的成功率衰减</td><td>240 次是一次性评测，产线要的是 8 小时 × 30 天</td><td>未披露</td></tr>
<tr><td>换物体 / 换摆位后的成功率</td><td>决定这套技能是「会这一件」还是「会这一类」</td><td>未披露</td></tr>
</table></div>
<div class="cap">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。</div>

<p>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。</p>

<p>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。</p>

<p>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。</p>

<div class="keypoint">判断：<strong>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。</strong>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。</div>

<p>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。</p>
</div>

<div class="srcline">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。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/daxiao-acecap0-221-of-240-development-cost/*
