刚刚，GPT-6 Astra接上宇树G1，把厨房收拾了！

第一条是Robocurve最早采用的方案：大模型直接接收相机画面和机器人状态，输出夹爪的目标位置、朝向和开合程度，再由底层逆运动学模块转换成关节动作执行，完成后重新观察，形成闭环。

第二条路线是让大模型充当System 2（慢思考），搭配负责生成动作的VLA。Anthropic就测试过让语言模型接收、修改甚至替换MolmoAct提出的动作。

这次的HomeBody则选择让System 2直接调度技能库，再由包括预训练AMO在内的底层系统负责执行与身体协调。

它不是简单地「多接一层System 0」，而是换了一种连接决策与动作的方式，再结合空间记忆，把任务从桌面扩展到整个房间。

目前，Robocurve的最新战况是：最新的GPT-6 Sol平均得分是GPT-5.6 Sol的1.6倍，成本却低了约47%。

Opus 5.5的平均得分约为Opus 5的1.8倍，与GPT-6 Astra接近，单次成本比Astra低约21%。

参考链接

[1]https://tml.stanford.edu/homebody/

[2]https://x.com/chooi_jeq