六个前沿模型去开抽屉，最好的只成了 44%

让一个会写代码、会解数学题的模型去开微波炉门。它看得见画面，也能规划出步骤，然后把「把手往前推 12 厘米」发下去。机械臂只走了 8 厘米。接下来十几步，模型都在为这 4 厘米的差额买单。

这是 2026 年 10 月 21 日挂上 arXiv 的一份评测报告里最常见的失败方式。

一、发生了什么

德克萨斯大学达拉斯分校智能机器人与视觉实验室（IRVL）做了一套闭环评测管线，把通用大模型直接当作机器人策略，不给任务微调、不给示范数据、不接预训练技能库。论文编号 2610.30051，作者是 May Espinola、Qifan Zhang 和 Yu Xiang。

测试集是 LIBERO-10，也叫 LIBERO-Long，十个长程操作任务，从「两个罐头放进篮子」到「杯子放进微波炉并关门」。

规模：六个模型（GPT-6 的 Astra、6.1 Sol、Luna，Claude Opus 5、Opus 5.5，Gemini-4 Argon），每个跑三档推理强度，共 18 种配置、1800 个 episode、约 9.9 万次 API 调用，总花费 4936 美元。

结果：最好的 GPT-6 Astra 高档 44%，Gemini-4 Argon 高档 43%，18 种配置平均 22.2%。GPT-6 Luna 三档全是 0%。任务层面差距更大：两个「往篮子里装东西」的任务到了 55% 和 58%，两个涉及多物体精确摆放的任务是 0%，「杯子进微波炉并关门」只有 1%。

二、跟你有什么关系

做机器人应用的人：这份报告给了一个冷水数字。通用模型当高层规划器已经可用，当底层控制器还差得远。短期内更现实的分工是模型出意图、专用策略出动作。

评估供应商的人：注意那张任务表。整体 44% 听起来能看，但拆到具体任务会出现 0%。采购前按自己的任务类型抽样，别只看总分。

算账的人：同样的 33% 成功率，GPT-6.1 Sol 和 Claude Opus 5.5 每 episode 花 1.6 到 2 美元，而顶尖配置要 7 到 8 美元。贵的那一档买到的是更少的试错轮次，不是更高的把握。

三、怎么判断这类跑分

1. 先看平均还是最好。这份报告的平均是 22.2%，最高是 44%。宣传里通常只出现后者。
2. 看失败是怎么结束的。1800 次里有 681 次是模型自己 give up，287 次是它误判完成。前者是知道做不到，后者是不知道自己没做到，后者更危险。
3. 看动作执行误差。论文实测：机械臂的实际位移平均只有指令位移的 64% 到 72%，21% 到 36% 的动作走了不到指令距离的一半。模型在事后复盘中提到「没走到目标」的比例，Claude Opus 5 是 91%。
4. 别把推理档位当油门。多数模型提高档位会涨分，但 Claude Opus 5 从低档 10% 掉到高档 6%。加钱不一定加分。

四、三个别信的说法

「44% 说明通用模型已经能操作机器人。」 44% 是十个任务里最容易的那几个撑起来的。真正需要多步交互、需要判断门有没有关严的任务，通过率是个位数甚至零。

「提高推理强度总能提升操作表现。」 论文自己的数据反驳了这句。好处因模型而异，也因任务而异，而且成本是线性往上涨的。

「仿真里不行，真机上补一补就行。」 这份评测暴露的是接口层面的问题：模型不知道自己发出的指令被控制器改写了。这个问题在真机上只会更严重，不会更轻。

五、一句话结论

前沿模型已经能当机器人的「脑子」，但离当「小脑」还差一截——差的那一截，是它看不见自己的手。

信息来源

• From Reasoning to Action（arXiv 论文页），2026 年 10 月 21 日
• 论文全文（HTML 版），2026 年 10 月
• 项目页 LLM-LIBERO，2026 年 10 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。