Skip to content

新闻X2 天前

UCSD优化GPT-6 Astra智能体,机器人任务耗时缩短至三分之一 ​

本文由 AI 根据公开内容整理,可能有误,请以原文为准:Why don't benchmarks show this? In RoboDojo, the simulator waits for the model before it steps, but a real robot doesn't wait.(X:UCSD Hao AI Lab (@haoailab)(via AIHOT))

核心内容 ​

UCSD Hao AI Lab针对大模型驱动机器人实时性差的问题发布Fast-RUA优化方案。实测显示,GPT-6 Astra结合Codex智能体在执行杯子抓取任务时耗时从11.1分钟降至3.4分钟,叠毛巾任务从约18分钟缩至约6分钟。系统成功将机器人有效运动时间占比从24%大幅提升至84%,解决了传统基准测试如RoboDojo因仿真器同步等待模型而无法反映真实物理延迟的评测盲区。

技术核心在于构建“思考-运动”异步流水线:智能体生成Python动作函数后由后台顺序执行,模型在机械臂运动期间并行规划下一步或重写计划。团队通过合并工具调用往返降低开销,单次返回即附带相机视角、机器人状态及自注册视图,并将旧图像修剪为文字笔记以维持短上下文。尽管Codex与Astra存在约5秒黑盒延迟,但通过动作掩盖机制,折叠皱毛巾时机器人静止等待时间仅占16%至22%。

关键看点 ​

  • 任务提速:杯子任务耗时由11.1分钟降至3.4分钟,叠毛巾由18分钟降至6分钟,效率提升超3倍
  • 流水线架构:采用异步执行机制,机器人在后台运行Python动作函数时模型并行规划,静止等待占比降至16%
  • 通信优化:合并工具调用往返,单次响应打包相机视角与机器人状态,避免额外请求并修剪历史图像为文本
  • 延迟特性:Codex与Astra黑盒推理延迟约5秒,当前方案依靠动作掩盖而非模型加速实现准实时控制

工程与产业观察 ​

该工作揭示了具身智能落地中“系统级掩盖”比“模型级加速”更具短期工程价值。在基座模型推理延迟尚未突破秒级瓶颈时,通过异步流水线与上下文压缩将计算耗时隐藏于物理运动中,是提升端到端任务效率的关键路径。这也提示行业需建立包含真实物理耗时的评测标准,而非仅依赖同步仿真基准。

线索来源:AIHOT

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

外部来源

本页事实对应的公开页面,以原文为准。(点击将离开本站)

  1. X:UCSD Hao AI Lab (@haoailab)(via AIHOT):Why don't benchmarks show this? In RoboDojo, the simulator waits for the model before it steps, but a real robot doesn't wait. ↗访问 2026-11-20