外观
新闻X今天
Claude与GPT机器人书写实测：运动规划策略致6.7倍效率差
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Same robot, same task, two models with very different writing styles（X：Artificial Analysis (@ArtificialAnlys)（via AIHOT））
核心内容
Artificial Analysis发布AA-Robotics v0.1基准测试，对比Claude Opus 5.5与GPT-6 Astra在相同机械臂平台执行“hello world”书写任务的表现。测试数据显示两者效率差异悬殊：GPT-6 Astra耗时13分钟完成514次机械臂移动，而Claude Opus 5.5耗时34分钟、移动次数高达3270次，后者执行时间约为前者的2.6倍，动作冗余度超过6倍。
性能差距源于模型运动规划策略的本质不同。GPT-6 Astra生成连续笔画轨迹，将书写视为连贯流形控制问题，大幅减少启停与路径重规划开销；Claude Opus 5.5则呈现逐点离散生成特征，将字符拆解为大量微细线段，导致机械臂频繁加减速与姿态调整。该结果验证了端到端具身模型在长程动作连贯性与Token-to-Action映射效率上的关键分野。
关键看点
- 执行效率对比：GPT-6 Astra书写耗时13分钟/514次移动，Claude Opus 5.5耗时34分钟/3270次移动，效率差达6.7倍
- 运动规划差异：GPT-6 Astra采用连续笔画生成策略，Claude Opus 5.5呈现逐点离散规划特征，导致大量冗余微动
- 评测基准发布：AA-Robotics v0.1从模型视角量化具身输出质量，提供标准化动作生成能力对比框架
- 动作生成范式：测试证实端到端模型在长程轨迹连贯性上显著优于离散Token映射方案，直接影响硬件利用率
工程与产业观察
该实测揭示了具身大模型落地中「动作生成粒度」对系统效能的非线性影响。对于算法工程师，优化目标应从单纯的任务成功率转向轨迹平滑度与动作经济性指标；对于硬件研发，需关注高频离散指令下的电机热管理与磨损问题。此评测范式为筛选适配特定本体动力学特性的基座模型提供了量化依据。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。