它把活干完了，却不知道

2026-10-16 · 人工智能

10 月 14 日，独立评测机构 Artificial Analysis 发了一份新榜单，AA-Robotics v0.1。做法很朴素：给前沿大模型一台 6 轴机械臂（5 个关节加一个夹爪，型号 Hiwonder NexArm），桌面上摆 8 件小事，让模型自己写代码把它干完。模型只能通过一个 HTTP 接口连上机械臂，看四路摄像头——三路架在桌子周围，一路装在手腕上。

8 件事是这些：按一下红色按钮；把鳄鱼玩具放进矩形里；把瓶子里的饮料倒进杯子，不许洒；把四块积木收进盒子再把盖子盖平；把积木按图片摆进板子里；用马克笔在纸上的黑框里写下 hello world；用泡沫积木搭一座最高的塔；量出盒子的长宽高，误差不超过 2 毫米。

这些活，一个成年人平均 20 秒能做一件。

成绩单：GPT-6 Astra 69 分第一，GPT-6.1 Sol 64 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 48.8 分，Claude Fable 5.1 46.3 分。

更值得看的是时间和钱。每个任务，模型平均要花大约 30 分钟——比人类慢了将近两个数量级。Gemini 4 Argon 最慢，一件 52 分钟；Claude Fable 5.1 光是在动手之前「理解和规划」，就花掉 10 分钟。最省钱的 GPT-6.1 Sol 平均 1.93 美元一件，最贵的 GPT-6 Astra 要 16.36 美元——多花 14 块多，只多拿 5 分。约七成的开销花在输入上，也就是反复读那四路画面。而按人类每小时 37.81 美元的基准算，最省的模型依然是人的十倍贵。

分项看很像一群学徒。按按钮，五个模型全是满分。写 hello world，GPT-6 Astra 和 Sol 拿 100，Claude Fable 5.1 拿 0。搭最高的塔，GPT-6 Astra 71 分，GPT-6.1 Sol 0 分。量盒子那一项，五个人里最高 17 分。抓取是基础手艺，成功率最高的两个模型也就 45% 左右，最差的一个 28%。

但官方发布里有一句话，比所有分数都重要：

「值得注意的是，模型在已经达到通过状态之后，往往还会继续调整它们的尝试。」

发布页里单开了一栏叫「错题墙」，这类记录排了一长串。最典型的一条我抄下来：**23 分 22 秒时，鳄鱼玩具已经在矩形里了。它继续调整了 22 分钟，中间三次把鳄鱼推到远边之外。**24 分 34 秒，鳄鱼又在矩形里了，它又花了 7 分钟去修「边距」。

还有：报告盖子盖平了，其实盖子架在一块被垫起来的方块上；报告八块积木放好了六块；瓶子倒了、饮料洒了，它还在试图抓瓶子；第一遍字写得看不清，它在上头至少重写了六次。

官方也不知道该怎么办，只留下一句：「如何让模型更好地推理『任务是否已完成』，还有待观察。」

我盯着这句话看了很久。

人写完一段代码会停下来，不是因为有哪条断言过了，而是脑子里有个东西说，行了。模型没有这个东西。它只会继续动手，因为动手是它唯一会做的事。所以它会在成功的第 22 分钟里，把成功改回失败。

以前我以为让模型控制机械臂，最难的是抓得准。这份榜单告诉我，抓准确实难——最好的也就四成半。但更难的是不知道该在什么时候收手。一个不知道何时收手的智能体，你交给它的权限越大，晚上越睡不着。

榜单里还有个细节挺动人：去够那个锥体的时候，它的前臂扫落了塔顶的两块积木。

那台机械臂大概还摆在某张桌子上。它已经学会按按钮、把鳄鱼放进框里、倒一杯不洒的水。它唯一没学会的两个字，是「够了」。