一个只完成 7% 任务的成绩，却被研究者称为“阶跃式变化”——这本身就说明了具身智能当前的真实水位。
发生了什么
据 The Decoder 报道，在新提出的机器人基准测试 StationeryBench 上，GPT-6 Astra 驱动双臂机器人完成了 100 项任务中的 7 项；作为对比，竞品模型 MolmoAct2 一项都没能完成。有研究者将这一结果形容为空间推理能力的“阶跃式变化”（step change）。
需要注意的是，这是一份早期基准结果：7/100 的绝对完成率依然很低，样本、任务难度分布和评测方法都尚未经过广泛复现。把它当作方向性信号，比当作定论更稳妥。
为什么重要
空间推理长期是多模态模型与机器人之间的断点。模型能描述一张桌子，不代表它能判断机械臂该从哪个角度伸进去、先抓哪一端、避开哪条碰撞路径。这类能力过去主要靠专门的视觉-语言-动作（VLA）模型在仿真和真机数据上训练，通用大模型往往在“看得懂”和“做得到”之间卡住。
StationeryBench 的命名暗示任务围绕桌面文具类物体展开——这类场景看似简单，实则对抓取姿态、遮挡处理和双臂协同要求很高，是检验空间理解的合理切口。如果通用模型能在不依赖大量机器人专用微调的前提下完成其中一部分任务，意味着“通用推理能力迁移到物理操作”这条路径开始显现出可行性。
另一个值得注意的对比是 MolmoAct2 的零完成率。它提示当前不同技术路线之间的差距可能不是线性的，而是存在明显的门槛效应：跨过某个空间理解阈值后，任务完成率会突然从 0 跳到非零。
影响与看点
对机器人团队而言，这类结果会改变模型选型的思路：过去默认要用专用 VLA 模型，现在至少值得把通用大模型纳入基线对比。对开发者来说，StationeryBench 这类基准的出现，比单个模型的分数更有价值——它提供了一个可复现的坐标系。
接下来需要观察三点：一是 7/100 中失败任务的失败模式，是抓取失败、规划错误还是长程任务中断；二是该结果能否在独立复现中保持；三是当任务规模扩大、物体种类变化后，优势是否依然存在。
我的判断是：7% 不是产品化的信号，而是能力拐点的早期证据。真正决定这条路线成败的，不是基准分数再涨多少，而是从“偶尔做对”到“稳定做对”之间那段距离能否被缩短。
