# 80%、47.6%、0%：GPT-6 Astra 在三级接触阶梯上掉光了，而仿真提前算准了它会掉 > 十六个家务任务，三级累积难度，仿真与真机环境一一配对。同一个模型零样本跑下来：80.0%、47.6%、0.0%。真正值得记的不是那个 0，是仿真在真机之前就算出了这个 0。 ### TLDR - **论文**：arXiv **2610.34527**，Haibao Yu 等 **19 位**作者，**2026-10-25** 提交。PhysLadder 是一个**分层、仿真与真机配对**的接触富操作基准。 - **任务结构**：**16 个**家务任务，三级累积——**L1** 接触选择与几何对齐；**L2** 持续接触中的力调节；**L3** 协调接触重构与力调节。 - **主结果**：GPT-6 Astra 零样本，**真机 80.0% / 47.6% / 0.0%**；**仿真 66.7% / 47.6% / 0.0%**（每个任务 3 次试验）。 - **仿真与真机的一致性**：16 个任务里 **10 个**两环境的成功次数完全相同，另外 **6 个**相差 1 次（即 3 次试验中的 1 次）。 - **作者自陈的失败点**：空间推理、接触选择、力调节、协调——这四项困难常常让「局部的物理进展」累积不成「任务完成」。 - **小样本警告**：每任务仅 **3 次**试验。按百分数反推，最接近的分数是 **12/15、10/21、0/12**；**0/12 的 95% 置信上限约 22%**——L3 的「0%」不等于「绝对做不成」。 ### SRC 第一手来源为 arXiv 预印本 **2610.34527**《How High Can GPT-6 Astra Climb in Contact-Rich Manipulation? PhysLadder: A Hierarchical, Matched Sim-Real Benchmark for Physical Interaction》（https://arxiv.org/abs/2610.34527 ），**Haibao Yu 等 19 位作者**，**2026-10-25** 提交，项目页另见 GitHub。第二层为二手解读：Let's Data Science **2026-10-27** 的报道（http://letsdatascience.com/news/physladder-benchmark-shows-gpt-6-astra-failing-hardest-manip-fc8a2277 ），该文逐项列出了三级成功率并明确了「每个任务 3 次试验」与「10 个任务两环境一致、6 个任务差 1 次」这两条关键限定；Machine Dawn 的「Today in Robotics」榜单（更新至 **2026-10-28 00:48 UTC**）将其列为当日前十；arXiv 论文日刊的 sim2real 与 manipulation 分类页在 **2026-10-25** 收录该文。**素材时间窗**按本批规定为**前一日 18:00 → 当日 09:00（2026-10-28 18:00 → 2026-10-29 09:00）**。**窗口锚点必须写明**：论文提交日为 **10-25**（早于窗口 3 天），本窗口内的新增量有两项——①Machine Dawn 的榜单在 **2026-10-28 00:48 UTC**（北京时间 10-28 08:48）完成更新并将其列入当日「最后 48 小时」排名，属于首次进入英文行业日更榜单；②Let's Data Science 的细读稿在 **10-27** 完成，逐条列出了三级数字与试验次数，使「仿真与真机一致性」这一层结论第一次可以被逐项核对。本号采信的数字全部来自论文摘要与这两家二手解读的重合部分；论文正文的消融实验与失败案例分析本号未获取，因此不引用。**反推已标注**：文中 12/15、10/21、0/12 三组分数是作者按 80.0%、47.6%、0.0% 反推的最接近分数组合（其中 10/21 = 47.62% 与 47.6% 高度吻合，12/15 = 80.0%、0/12 = 0.0% 为整数解），**论文摘要未逐级披露任务分配**，因此「L1 有 5 个任务、L2 有 7 个、L3 有 4 个」这一拆分属推断，不是论文原文。**置信区间为作者计算**：0/12 在二项分布下的 95% 置信上限按 1−0.05^(1/12) 计算约 22.1%，该计算假设各次试验独立同分布，实际任务内相关性会使区间更宽。**不确定边界**：①评测只覆盖 GPT-6 Astra 一个模型，作者自己也把结论限定为「刻画 Astra 在递增交互需求下的能力边界」；②每任务 3 次试验的样本量，使单任务层面的任何差异都不具统计意义，6 个任务的「差 1 次」完全在噪声范围内；③「仿真与真机匹配」是否对其他模型成立，论文未验证；④L3 的 0.0% 是「12 次试验全部失败」，不等于该级任务不可能完成。**与本站既有稿件的差异**：本站 595 号写 VLDA 把「想象未来」换成「只学变化」（98.5% 对 73%），是模型架构层面的取舍；592 号写智元 Genie Sim 的 96.7% 相关性该怎么读，是企业仿真平台的验证口径；本篇是**第三个角度**——一个独立的、仿真与真机配对的分层基准，第一次让「模型在哪一级开始崩」变成可测量的事。文中判断为作者观点，已用「判断：」标注；文末版权与免责声明由模板自动附加。 ### BODY

三个数字：80.0%、47.6%、0.0%。

这是 GPT-6 Astra 零样本跑 PhysLadder 的真机成功率，从 L1 到 L3。同一套任务的仿真结果：66.7%、47.6%、0.0%。

先别急着看那个 0。真正有意思的是第二列和第一列的关系——仿真在 L1 比真机低，在 L2、L3 与真机一模一样。

三级阶梯，测的是三种不同的能力

PhysLadder 的设计不复杂，但很克制。16 个家务任务，全部在仿真和真机里各建一套环境，两套环境的物理参数与视觉外观一一配对，任务定义和成功判据共用一套。

三级是累积的，不是并列的：

L1
接触选择与几何对齐
真机 80.0%
L2
持续接触中的力调节
真机 47.6%
L3
协调接触重构与力调节
真机 0.0%

L1 是「碰到正确的位置」。这件事视觉模型已经做得不错——找到把手、对准杯口、把插头送到插座前。80% 说明大部分时候能找到对的地方。

L2 是「碰到之后还要持续施力」。推一个抽屉、塞一个插头、拧一个瓶盖，都需要在接触状态里维持一个合适的力。47.6% 说明这件事掉了一半——能碰上，但握不住。

L3 是「一边换接触点一边调力」。这才是真实家务的常态：一只手扶着锅，另一只手去掀盖；把叠好的衣服塞进抽屉，中途要换三次着力点。0.0% 说明这件事一次都没成。

判断：这三级的划分，把「具身智能」这个词拆成了三个可以分别打分的能力。行业里常说的「机器人不够聪明」，在 PhysLadder 的坐标系里有了具体位置——不是不会找位置（L1 有 80%），是不会在接触中维持力和换手（L2 掉一半、L3 归零）。这个结论和工业界的体感是一致的：真正卡住产线落地的，从来不是「看见」，是「拿着」。

那个 0.0%，先别当结论

0.0% 是个很抓人的数字，但它建立在 12 次试验上。

按论文给的三级成功率和「每任务 3 次试验」推算，最接近的分数组合是 L1 的 12/15、L2 的 10/21、L3 的 0/12。其中 10/21 = 47.62%，与摘要里的 47.6% 几乎完全吻合，这给这个反推提供了一点支撑。

如果 L3 是 0/12，那么真实成功率是多少？用二项分布的精确区间算：0 次成功、12 次试验，95% 置信上限约 22%。也就是说，这个模型的 L3 能力可能在 0% 到 22% 之间的任何位置，12 次试验只够排除「明显高于 22%」这一种情况。

L1 真机 12/15
80.0%
L2 真机 10/21
47.6%
L3 真机 0/12
0.0%
L3 的 95% 上限
约 22%
前三条为按摘要成功率反推的最接近分数（论文未逐级披露任务分配）；第四条为作者按二项分布 1−0.05^(1/12) 计算的 95% 置信上限，假设试验独立同分布。

这不是给模型开脱。0/12 已经足够说明 L3 是当前的硬边界——12 次全败，概率上不接受「它其实会做，只是运气差」这个解释。但要把它写成「完全做不到」，就超出了数据能支撑的范围。

判断：小样本是这类具身基准的通病，不是这一篇的失误。真机试验的成本摆在那里——每任务 3 次试验、16 个任务、48 次 rollout，已经是很实的投入了。问题在于，用 3 次试验去区分「47.6%」和「66.7%」是没有意义的：两者相差 3 次成功，而单任务的噪声就是 1 次。所以这篇论文真正可信的结论只有一条——L2 到 L3 之间有一道断崖，而不是三级各是多少。
仿真的价值，不是「更乐观」，是「提前报错」

这篇论文最有价值的地方，是那张仿真与真机的对照。

通常人们期待仿真「高估」——仿真里跑得好，真机上打折扣。PhysLadder 给出的恰好相反：L1 仿真 66.7%、真机 80.0%，仿真低了 13.3 个百分点；L2、L3 两级，两边完全相同。

翻译成人话：这套仿真不是用来吹牛的，是用来提前告诉你哪里会崩的。

16 个任务里 10 个两环境的成功次数完全一致，另外 6 个差 1 次。差 1 次是什么概念？3 次试验里成功 2 次还是 1 次，在二项分布下这个差别不构成任何结论——它可能只是某一次抓取时物体滑了一下。

作者自己的结论很克制：对这一个模型来说，配对的仿真可以支撑一个可重复、可扩展的测试台。他们把范围明确限定在「刻画 Astra 的观测能力边界」，没有说「仿真可以替代真机」。

判断：这个结论的价值被中文语境低估了。行业里对仿真的态度长期在两极——要么「仿真没用，sim2real gap 太大」，要么「仿真够了，不用买真机」。PhysLadder 给的是第三条路：仿真的作用不是预测成功率，是预测失败模式。它算不准你在 L1 能成几次，但它能算出你在 L3 会全败。对研发来说，后者比前者有用得多——因为前者只影响排期，后者决定要不要改方案。

和 Genie Sim 的 96.7% 是什么关系

十天前，智元发布 Genie Sim 升级，给出的数字是「仿真与真机任务表现相关性 96.7%」。今天这篇给的是「10 个任务完全一致、6 个差 1 次」。

两个数字听起来很像，其实测的不是一回事。

Genie Sim 的 96.7% 是相关性：把一批任务在仿真和真机各跑一遍，两组成功率排成两列，算它们的相关系数。相关性高，说明「仿真里排得靠前的，真机里也靠前」——它保证的是排序，不是绝对值。

PhysLadder 测的是一致性：同一个任务、同一套判据，两边的成功次数是不是同一个数。它保证的是绝对值，代价是样本极小。

一个类比：相关性好比说「这两个班的排名几乎一样」，一致性好比说「这两个班每个人分数都一样」。前者容易做到，后者难得多。

判断：PhysLadder 只用了 16 个任务就敢说一致性，是因为它把任务做了「物理与视觉配对」——两套环境的摩擦系数、质量、光照都对齐了。Genie Sim 面对的是开放任务集，做不到逐任务配对，所以只能报相关性。两种口径不能互相替代，也不能拿去比大小。看到「96.7%」和「10/16 完全一致」被放在一起说「仿真已经很准了」，那是对两个指标的误读。

这份基准真正改变的事

三件。

第一，它给「具身智能到什么水平了」提供了一个不靠厂商自报的刻度。过去评估一个 VLA 模型，看的是厂商自己挑的任务、自己定的判据、自己剪的视频。PhysLadder 的做法是：任务公开、环境配对、判据共用、失败也报。这套东西一旦被更多团队采用，厂商发布会上的「成功率 95%」就会被追问一句「在 PhysLadder 的 L3 上多少」。

第二，它把「接触」这件事单独拎出来做了难度轴。行业里大多数基准测的是「抓取成功」「放置到位」，都属于 L1 范畴。L2 和 L3 测的是力与协调——这才是工业装配、家庭整理、医疗护理里真正难的部分。

第三，它暴露了一个被忽略的事实：模型的能力边界不是一条平滑的曲线，是三级台阶。从 L1 到 L2 掉 32 个百分点，从 L2 到 L3 掉 47.6 个百分点。如果按这个斜率外推，即使模型在 L1 做到 95%，L3 可能还是 0——因为 L3 失败的原因不是「不够准」，是「不会在动态接触中重规划」。

这也是接下来最该看的事：不是等更强的模型把 L3 刷上去，而是看有没有人给出 L3 的分解——把「协调接触重构」再拆成更细的子能力，看看究竟是哪一步断了。0.0% 这个数字最大的用处，是它把问题精确定位到了一级，而不是留给一句「还不够智能」。

来源：arXiv 2610.34527（Haibao Yu 等 19 位作者，2026-10-25）；Let's Data Science 2026-10-27；Machine Dawn「Today in Robotics」2026-10-28 更新。素材窗口：2026-10-28 18:00 → 2026-10-29 09:00。
--- *来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/physladder-astra-80-47-0-contact-ladder/*