大晓ACE-Brain-0.6发布：9B具身基模型六项Grounding评测超越GPT-6-Astra

这次发布的到底是什么

2026年10月20日，商汤科技新闻中心发布消息，旗下大晓机器人正式推出视觉空间锚定增强型具身基模型ACE-Brain-0.6。它是ACE-Brain系列的新版本，上一版0.5曾探索感知、规划、行动、评估与进化的统一认知闭环，这一版把重点收窄到“Grounding”，也就是把语言指令和画面里的具体物体、位置对应起来。

官方原文没有说明它是否开源、是否开放权重、是否对外提供API或商用授权，这些都属于“官方未说明”。能确认的是它基于Qwen3.5-9B，冻结视觉编码器，只对语言模型参数做监督微调，并通过统一接口输出空间坐标、目标区域、计数和判断结果。用小学生能懂的话说，它像一个先学会“看清桌上东西在哪、再决定手往哪伸”的机器人小助手。

为什么“找准位置”比“会聊天”更难

原文用两个例子说明问题：放水果篮时，模型要认出篮筐边缘和目标承载面，再算往哪个方向移动；叠T恤时，要提取衣物轮廓、估计尺寸并计算折叠距离。高级推理决定“做什么”，精准空间感知决定“手落在哪里”，后者一旦偏一点，抓取和放置就可能失败。

原文还指出，即便是GPT-6-Astra，在细粒度几何定位和复杂空间关系判断上仍有局限，比如找某个物体前方的空闲位置时可能误判到相邻区域。对文字问答来说，小偏差也许无所谓；对机器人来说，偏差会直接变成抓空或碰倒东西。这就是ACE-Brain-0.6把空间锚定当作核心突破口的原因。

六项评测超越GPT-6-Astra意味着什么

官方给出八项Grounding评测结果，ACE-Brain-0.6在其中六项超过GPT-6-Astra：Where2Place为76.55对71.10，PixMo-Count为89.41对88.10，RoboSpatial为74.82对69.55，RoboAfford为88.51对84.94，ShareRobot为49.70对46.60，RobotGrounding为94.13对91.10。七项公开基准平均74.53分，领先Astra的73.68分。

这些评测覆盖目标指代、视觉计数、空间定位、物体功能理解和交互区域预测。原文还提到，模型在“目标不存在”的判断上进步明显：当用户让它找场景里根本没有的物品时，它要能说“没有”，而不是编一个看起来合理的位置。对真实机器人来说，知道什么时候不该贸然行动，和知道该抓哪里同样重要。

百万条训练样本是怎么造出来的

原文说，机器人交互数据虽然包含连续视觉观测、动作轨迹和任务指令，却缺少细粒度的物体位置、功能区域和空间关系标注，等于记录了大量“做过什么”，却没解释“为什么选这个目标、动作该发生在哪里”。大晓机器人整合30余个开源机器人数据家族和私有Ego数据，把异构数据统一转成可验证的空间锚定监督信号。

具体做法是：依据夹爪状态与动作幅度筛选关键帧，自动构建场景物体词表，再用Grounding DINO、SAM 3等视觉工具完成物体定位、区域识别和语义校正，生成目标指代、计数、空间关系、交互位置及目标不存在判断等问答。只有物体实例标注完整时才生成计数问题，目标不存在的提问也要先验证画面里确实没有。最终构建约百万条训练样本，涉及约94万张图像和270万组问答对。

数据翻倍能涨多少分

原文做了一个受控实验：保持模型架构和训练方法不变，把训练数据从26万条逐步扩到百万条，七项公开评测平均分从69.3分升到74.5分，呈近似对数线性增长，数据规模每翻倍综合得分平均提升约2.4分，最终超过GPT-6-Astra。

但研究也发现，单纯增加已有类型的样本，性能提升不足1分；真正带来增长的是持续引入新场景、新空间关系和多样化监督形式。换句话说，不是把同一本练习册抄一百遍，而是不断换新题型、新场景，才能让模型的空间理解边界真正扩大。这也解释了为什么官方把“可验证的数据管线”视为本次的核心贡献之一。

它适合谁，又有哪些限制

从原文描述看，它面向的是具身智能研发与机器人操作场景，例如零售分拣、物流操作和服务机器人：这些任务都要求先精准识别目标、定位抓取区域、理解放置空间，再执行动作。对做机器人感知模块的团队来说，它是一个可参考的9B级专项能力模型；对普通用户来说，它并不是可以直接聊天的应用。

限制同样要讲清楚：官方未说明开源方式、权重是否开放、API与价格、部署硬件要求，也未说明RobotGrounding评测集是否公开，因此外部无法独立复现这些分数。原文只给出与GPT-6-Astra等模型的对比结论，未披露完整评测协议细节。读者在引用“六项超越”时，应把它理解为官方自述的评测结果，而不是经过第三方复核的结论。