商汤联合多家高校与企业团队，给 OpenAI 的 GPT-6-Astra 安排了一场针对”具身智能”的大考。这场考试铺得很广——覆盖12项仿真评测、8个真实机器人平台，目的就是看清这位明星模型究竟能不能从屏幕里的”脑子”，真正长出手脚去干活。结论有点尴尬:在给它开点小灶（借助上下文学习、放宽动作步数限制）的情况下，GPT-6-Astra 在不少传统具身评测里刷出了接近满分的成绩;可一旦落到真实机器人身上，面对精细接触、长程任务这类需要真刀真枪操作的场景，它失误的频率就上来了。
真正的问题不在”会不会动”，而在”知不知道自己动没动对”。研究指出，GPT-6-Astra 在物理操作里常常误判成功状态——它以为自己抓到了、放好了，实际未必;而一旦走错，补救起来相当困难，加上真机执行的试错成本高得吓人，让它离真正能上岗部署还差着一段不短的路。团队的总体判断是:GPT-6-Astra 已经跨过了具身能力的门槛，但距离实用化仍有明显距离。
这场评测还顺手戳破了现有具身评测体系自身的泡沫。商汤团队认为，传统基准分数虚高，是因为它们离真实家庭需求太远，评测该往更贴近日常生活的方向调。作为回应，团队端出了自己的解法——SenseNova-RoboRSI 具身系统框架。它的巧思在于不必更新基础模型权重，而是靠执行反馈让机器人”递归式自我进化”，持续优化表现;这套思路已经在多项仿真评测里验证了效果。一句话，当大模型在试卷上拿满分、在现实里却笨手笨脚，行业要补的或许不只是模型，还有那把量它的尺子。
