独立评测机构 Artificial Analysis 于 2026-10-14 发布 AA-Robotics v0.1 研究预览：在 Codex、Claude Code、Antigravity 等编码智能体框架中，让前沿大模型通过 HTTP API 直接控制一台 6 轴机械臂完成 8 项桌面任务。GPT-6 Astra 得分 69.4 居首，GPT-6.1 Sol 64.6、Gemini 4 Argon 55.3、Claude Opus 5.5 48.8、Claude Fable 5.1 46.3；模型平均每项约 30 分钟，人类约 20 秒。
核心要点速览
- ✓总分（满分 100）：GPT-6 Astra 69.4、GPT-6.1 Sol 64.6、Gemini 4 Argon 55.3、Claude Opus 5.5 48.8、Claude Fable 5.1 46.3（AA 原文）
- ✓速度：模型平均约 30 分钟/任务（Argon 最慢约 52 分钟），人类平均约 20 秒，差距接近两个数量级
- ✓成本：GPT-6.1 Sol 平均 $1.93/任务最便宜，GPT-6 Astra $16.36/任务，约 70% 花费来自视觉上下文输入
- ✓抓取成功率：GPT-6 Astra 45%、Claude Fable 5.1 44%、Opus 5.5 40%、Argon 36%、Sol 28%
- ✓「测量箱子」任务（误差需 ≤2 mm）五个模型最高仅 17 分，精细测量仍是短板
开发者 3 秒速决决策指标
Claude Code 高频使用：比较订阅额度与 API 账单
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
过去一年，大模型在代码与网页任务上的评测已经很密集，但「模型能否理解并操作真实物理世界」一直缺少统一、可复现的公开对比。Artificial Analysis 认为未来机器人很可能由强通用智能体驱动，因此推出 AA-Robotics v0.1 研究预览，专门追踪前沿语言模型的具身能力。
架构亮点与底层机制
评测思路非常「开发者化」：模型运行在隔离容器里的编码智能体框架中（GPT 用 Codex、Claude 用 Claude Code、Gemini 4 Argon 用 Antigravity，均为 high effort），只被告知如何通过简单 HTTP API 连接一台 Hiwonder NexArm 6 轴机械臂（5 关节加夹爪），再通过 4 路摄像头观察场景、自己写代码规划动作。8 项任务包括按按钮、倒饮料、收纳积木、写 hello world、搭高塔、测量箱子等，全部零样本，由人工裁判按通过标准打分，部分完成给部分分。
权威 Benchmark 与实测跑分对比
以下为 AA 官方口径：GPT-6 Astra 69.4 分第一，GPT-6.1 Sol 64.6，Gemini 4 Argon 55.3，Claude Opus 5.5 48.8，Claude Fable 5.1 46.3。模型平均每项约 30 分钟（Argon 约 52 分钟），人类约 20 秒；Sol 平均 $1.93/任务最省，Astra $16.36/任务，约 70% 花费来自视觉上下文。抓取成功率 Astra 45%、Sol 仅 28%；「测量箱子」要求误差 2 mm 以内，五个模型最高只有 17 分。
开发者实战落地与开箱指南
这份结果说明：用 Codex、Claude Code 这类编码智能体加一个 HTTP 控制接口，已能完成简单机械臂任务，但速度慢约 100 倍、成本约为人工 10 倍，离生产还远。做机器人或 IoT 智能体原型时，可以借鉴它的设置：给模型清晰的设备 API、多路摄像头和明确的完成判定，并优先关注视觉上下文成本。完整逐任务视频与「错误墙」见 AA-Robotics 原文。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察