具身智能视觉底座突破！GroundingPI 4B 基座模型发布：34 项基准越级超越 GPT-6 Astra，端到端赋能机器人控制

核心背景与行业痛点

在具身智能（Embodied AI）与物理智能（Physical Intelligence）系统中，精准的视觉定位（Grounding）是闭环控制成功的前提——它决定了机器人能否在充满视觉遮挡与杂物的真实场景中准确定位目标操作物。然而，现有的视觉-语言-动作模型（VLA）和世界动作模型（WAM）普遍直接借用通用的视觉-语言大模型（VLM）或视频扩散模型作为视觉骨干。通用模型并未针对几何几何精度与微小物体识别进行专门优化，在密集堆叠、极小零件操作以及高帧率闭环反馈中频繁发生失焦与抓取坐标偏移，严重制约了机器人的自主操作上限。

架构亮点与底层机制

为构建真正的物理感知智能基石，研究团队推出了 GroundingPI——专为物理智能打造的 4B 稠密定位基座模型：

1. 量化坐标与统一词表设计：彻底告别分离式检测头架构，将图像中的二维/三维连续关键点与定向包围盒（Bounding Boxes）直接编码为离散量化坐标，统一纳入大模型的核心 Token 词表中实现自回归生成；
2. 三阶数据流水线与密集定位引擎：训练融合了大规模多模态空间预训练（Spatial Pre-training）、指令微调以及基于 GRPO 的强化学习策略，构建了专用的密集几何定位数据飞轮；
3. OCR 作为空间感知的催化剂：研究深入分析了 11 种感知能力的数据配方，揭示了文字 OCR 密集定位训练能够奇迹般地充当物理空间几何感知的催化剂，显著增强微小空间拓扑理解。

权威 Benchmark 与实测跑分对比

在跨越 11 类感知维度的 34 项权威空间定位与机器人操控基准实测中，4B 参数的 GroundingPI 展现出惊人的统治力：

• 34 项基准全面刷新世界纪录：在与 44 个强基线（包括开源与顶级专有商业模型）的综合对比中，GroundingPI 平均定位精度达到 73.68%，显著击败了参数量巨大得多的 GPT-6 Astra（71.54%）；
• RoboTwin 2.0 分布外泛化狂飙：作为下游操作机器人的视觉主干，在 RoboTwin 2.0 的全部 4 项复杂分布外（OOD）泛化测试中，性能领先此前最强基线高达 24.8%；
• RoboCasa-GR1 样本效率翻倍：在逼真的家居操作环境 RoboCasa-GR1 中，使用 GroundingPI 仅需 50% 的人类演示数据即可超越竞品在 75% 演示数据下的操作成功率；
• 自动驾驶轨迹预测：部署于 nuScenes 真实自动驾驶感知流中，开环轨迹预测 L2 误差低至 0.296 米，满足工业级快速闭环控制。

开发者实战落地与开箱指南

GroundingPI 的代码与模型权重已在 GitHub 全面开源（groundingpi/GroundingPI），为具身机器人研发团队提供了强大的开箱即用利器：

• 代码仓库与快速体验：执行 git clone https://github.com/groundingpi/GroundingPI 即可获取模型推理管道与坐标量化编解码工具库；
• 具身操作策略微调：机器人研发工程师可直接将 GroundingPI 4B 作为冻结或 LoRA 微调的视觉特征提取器，替代传统的 CLIP 或 SigLIP，快速赋能双臂机械臂抓取、叠衣与杂乱分拣系统；
• 闭环控制优化：模型输出的量化坐标具备微秒级解码吞吐，可无缝集成至 ROS2 / Isaac Gym 仿真及实体机器人驱动节点中。