OpenAI снова распускает робокоманду: GPT-6 Astra решила 74,8% задач в симуляции против 51%
OpenAI снова расформировывает отдельную робокоманду: ставка на то, что универсальная GPT-6 Astra сама управляет роботом, без узкой «роботной» модели. В исследовании Nvidia агент на Astra выполнил 74,8% задач в симуляции, лучшие специализированные модели — 51%. Но тест шёл на виртуальном роботе DROID, а не на железе. Поэтому универсальные модели стоит пробовать как «мозг» планирования, а узкие оставлять для быстрых действий.
AI-обработка оригинала The Decoder; редакция Hamidun News
OpenAI, по данным Fortune, второй раз расформировывает отдельную команду робототехники. Причина в идее, что отдельная «роботная» нейросеть может оказаться лишней: универсальная модель GPT-6 Astra, возможно, умеет управлять роботом напрямую. Пример на пальцах: раньше для робота-руки писали узкую модель, которая учится только двигать манипулятор, а теперь та же большая модель, что пишет код и отвечает на вопросы, сама смотрит на сцену и решает, куда тянуться. В исследовании Nvidia агент на базе Astra выполнил 74,8% задач, а лучшие специализированные модели — 51%. Важная оговорка: тесты шли на виртуальном роботе DROID, то есть в симуляции, а не на настоящем железе. Для тех, кто делает роботов или агентов, это сигнал о возможном сдвиге рынка, но ещё не доказательство.
Что именно меняется внутри OpenAI
Исследователи-робототехники переходят в основную исследовательскую команду под руководством директора по исследованиям Марка Чена. Прикладные робототехнические и аппаратные группы входят в организацию Applied, которой руководит Грег Брокман. Решение приняли так внезапно, что компания уже забронировала стенд на конференции Conference on Robot Learning (CoRL) в Остине, и он остался пустым.
В 2020 году OpenAI уже закрывала это направление. Тогда, по словам сооснователя Войцеха Заремба, не хватало обучающих данных, а большие языковые модели казались более быстрым путём к AGI. Команду пересобрали в 2024 году. Сейчас причина другая: компания не отказывается от роботов, а хочет ускорить работу, растворив специалистов в других командах.
Что показывают тесты
Кроме исследования Nvidia, есть новый бенчмарк StationeryBench. В нём Astra сравнили с моделью MolmoAct2 от Ai2 на пяти задачах с канцелярскими предметами на столе. Задачи выполняли двурукие роботы YAM, всего было 200 попыток. Astra полностью справилась с 7 заданиями из 100, MolmoAct2 — ни с одним. Средний балл прогресса составил 46 у Astra и 12 у MolmoAct2. Преимущество есть, но до надёжной работы далеко: 93 задания из 100 Astra до конца не довела.
В другом тесте Astra на гуманоидном роботе перемещалась по кухне и наводила там порядок. Йоав Арци из Cornell University и Google DeepMind называет модель крупным скачком в понимании пространства. По его словам, на ещё не опубликованном бенчмарке REMAP Astra показывает точность, близкую к человеческой. Он предполагает, что OpenAI могла обучать её на большом объёме 3D-данных, например на сценах из Blender. Сколько именно роботных данных использовали в OpenAI и других лабораториях, неизвестно. Прогресс на роботных задачах отмечают и у больших моделей Anthropic и Google.
Чего пока не доказано
Узкие модели могут сохранять преимущества в стоимости, надёжности, скорости и энергопотреблении, даже если хуже обобщают. Для робота на складе или производстве это критично: огромная универсальная модель дороже в вычислениях и медленнее реагирует. Результаты симуляции не гарантируют того же на физических роботах, а часть бенчмарков либо только появилась, либо ещё не опубликована.
Есть и деловой контекст. Сэм Альтман, по сообщениям, нацелился на первую публичную демонстрацию робота в 2027 году, а в долгосрочной перспективе OpenAI хочет делать собственных бытовых роботов. Но компания находится под сильным финансовым давлением и должна сосредоточиться на основном ИИ-бизнесе, где заметно уступила позиции Anthropic. Поэтому реорганизация может быть и способом сэкономить силы, а не только технологической ставкой.
Что это значит для практиков
Если вы делаете робототехнический продукт, не стоит срочно выбрасывать специализированные модели: по цене, скорости и предсказуемости они пока могут выигрывать. Но уже сейчас имеет смысл пробовать универсальные модели как «мозг» для планирования и понимания сцены, а узкие оставлять для быстрых низкоуровневых действий. Главный вопрос ближайшего года: подтвердятся ли симуляционные результаты на реальных роботах и сколько такой подход будет стоить в эксплуатации.
- 21 нояб. 2026 г.Вакансий FDE за год стало в 4,6 раза больше: что делает инженер у заказчика
- 21 нояб. 2026 г.Капитан пловцов отдала ChatGPT три задачи по расписанию и сократила рутину в разы
- 21 нояб. 2026 г.OpenAI GPT-6 Cyber нашла около 35 дыр в iPhone, Mac и другой технике Apple
- 21 нояб. 2026 г.22 агента Claude шесть недель искали ответы по чёрным дырам — и решили две задачи
Вопросы и ответы по материалу
Что известно по теме: что именно меняется внутри OpenAI?
Исследователи-робототехники переходят в основную исследовательскую команду под руководством директора по исследованиям Марка Чена. Прикладные робототехнические и аппаратные группы входят в организацию Applied, которой руководит Грег Брокман. Решение приняли так внезапно, что компания уже забронировала стенд на конференции Conference on Robot Learning (CoRL) в Остине, и он остался пустым. В 2020 году OpenAI уже закрывала это направление.
Что известно по теме: что показывают тесты?
Кроме исследования Nvidia, есть новый бенчмарк StationeryBench. В нём Astra сравнили с моделью MolmoAct2 от Ai2 на пяти задачах с канцелярскими предметами на столе. Задачи выполняли двурукие роботы YAM, всего было 200 попыток. Astra полностью справилась с 7 заданиями из 100, MolmoAct2 — ни с одним. Средний балл прогресса составил 46 у Astra и 12 у MolmoAct2. Преимущество есть, но до надёжной работы далеко: 93 задания из 100 Astra до конца не довела.
Что известно по теме: чего пока не доказано?
Узкие модели могут сохранять преимущества в стоимости, надёжности, скорости и энергопотреблении, даже если хуже обобщают. Для робота на складе или производстве это критично: огромная универсальная модель дороже в вычислениях и медленнее реагирует. Результаты симуляции не гарантируют того же на физических роботах, а часть бенчмарков либо только появилась, либо ещё не опубликована. Есть и деловой контекст.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.