GPT-6-Astra набрал максимум на робо-бенчмарках, но спотыкается на реальных роботах

Через месяц после выхода GPT-6-Astra, которую OpenAI представила как «самую интеллектуальную и наиболее соответствующую намерениям человека модель в мире», её проверили на воплощённый интеллект. Китайское издание Jiqizhixin (机器之心) описывает результат так: традиционные бенчмарки пройдены на максимум, а на реальных роботах модель то и дело упирается в препятствия. Оговорка: в доступном фрагменте материала нет названий тестов, моделей роботов и процентов успеха, поэтому ниже разобраны только подтверждённые тезисы и контекст вокруг них.

Что произошло с VLA и WAM

До релиза GPT-6-Astra сообщество воплощённого ИИ спорило о двух архитектурных путях. VLA (Vision-Language-Action) берёт визуально-языковую модель и обучает её выдавать действия. WAM (World Action Model) опирается на модель мира, которая предсказывает последствия действий. Обе школы вкладывались в данные с роботов, симуляции и специализированные архитектуры.

Потом универсальная модель, работающая в основном через текст, показала сильные результаты в задачах, которые считались вотчиной специализированных систем. Jiqizhixin описывает это как «удар с понижением размерности»: общая LLM обходит спор о форме модели, потому что планирует, рассуждает и разбирает инструкции на уровне языка. Отсюда и вопрос, который задают исследователи: где потолок воплощённых способностей GPT-6-Astra и что теперь стоит делать сообществу.

Почему максимум на бенчмарках ничего не гарантирует

Разрыв между оценками и реальностью в робототехнике известен давно. Большинство бенчмарков проверяют планирование на уровне шагов, понимание сцены и следование инструкции. Часто это симуляция или статичные кадры, где физика упрощена, а ошибка не стоит ничего. Модель с сильным языковым рассуждением легко получает на них предельные баллы.

Реальный манипулятор живёт иначе. Датчики шумят, захват проскальзывает, объект лежит не там, где его видела модель, а задержка между решением и движением ломает хорошо построенный план. Текстовый интерфейс скрывает точность контакта, силу, геометрию и динамику. Поэтому сбои на физическом железе при идеальных оценках выглядят закономерно: бенчмарк измерял одну способность, а робот требует ещё несколько.

Из опубликованного фрагмента можно собрать такой набор фактов:

• Модель: GPT-6-Astra, выпущена OpenAI в сентябре 2026 года.
• Позиционирование: «самая интеллектуальная и наиболее соответствующая намерениям человека».
• Традиционные бенчмарки воплощённого ИИ: максимальные баллы.
• Реальные роботы: частые столкновения с ограничениями.
• Контекст: спор VLA и WAM, который универсальная модель сместила в сторону текстовой модальности.
• Не раскрыто: конкретные тесты, платформы роботов, доли успешных попыток.

Что делать командам, которые строят роботов

Первый вывод касается оценки. Если бенчмарк насыщен, он перестаёт различать модели, и сравнивать нужно на физических сценариях с долгим горизонтом, шумом и восстановлением после ошибок. Метрика «доля успешных попыток на реальном роботе» полезнее любого суммарного балла из симулятора.

Второй вывод касается архитектуры. Сильная универсальная LLM годится как верхний уровень: постановка задач, декомпозиция, разбор намерения пользователя. Нижний уровень, то есть контроль, обратная связь и контакт с предметом, по-прежнему требует специализированных политик и данных с реального железа. Гибрид «LLM-планировщик плюс обученный исполнитель» выглядит более рабочим, чем попытка заменить одно другим.

Третий вывод для заказчиков и инвесторов: не принимайте демонстрации и бенчмарки как доказательство готовности к производству. Просите отчёты по реальным запускам, с числом попыток, типами отказов и условиями среды. Пока таких данных по GPT-6-Astra нет в открытом виде, главный вопрос о потолке её воплощённых способностей остаётся без ответа.