研究人员将 GPT-6 Astra 直接接入机器人，让它清理一个不熟悉的厨房

2026-09-27

斯坦福和加州理工学院的研究人员构建了 HomeBody，一个让 Unitree G1 机器人自主导航陌生厨房、整理物品并从抽屉中取物的系统。

这是又一个测试，表明 GPT-6 Astra 与机器人配合良好。

HomeBody 去掉了语言模型和机器人之间典型的训练控制层。

相反，一个可替换的视觉语言模型（VLM），在这里是 GPT Astra，直接调用一个可扩展的技能库，用于抓取、导航或打开抽屉。

机器人首先探索房间，在 Nvidia 的 Isaac Sim 中构建数字孪生，并将物体和位置记录在空间记忆中。

这使它即使在物品离开视野后也能找到它们。

对于“清理厨房”这样的任务，语言模型规划每一步，并在出错时自我纠正。

限制包括 Astra 的延迟、手指伺服过热和高算力成本。

代码在 GitHub 上。

此前的基准测试显示 Astra 的空间推理能力大幅提升，而另一项测试则指出 Astra 控制机器人时存在安全问题。

OpenAI 已经宣布计划重返机器人领域，包括个人用途。

斯坦福和加州理工团队构建 HomeBody，让 Unitree G1 机器人在陌生厨房自主导航、整理并取物；GPT-6 Astra 可直接调用技能库，无需传统训练控制层，但存在延迟、过热和高算力成本限制。

这是什么信号：斯坦福和加州理工的 HomeBody 把 GPT-6 Astra 直接接到 Unitree G1 机器人上，去掉了语言模型与机器人之间常见的训练控制层，让可替换的 VLM 直接调用抓取、导航、开抽屉等技能库。机器人先探索房间，在 Nvidia Isaac Sim 中建数字孪生，把物体和位置写入空间记忆，再完成“清理厨房”这类长程任务并自我纠错。这不是单一模型炫技，而是“基础模型作为机器人高层控制器”的一次任务级验证。

为什么重要：传统机器人控制依赖针对特定硬件和任务训练的控制层，迁移成本高。HomeBody 展示的架构把控制层抽象成可替换 VLM 加可扩展技能库，再用仿真数字孪生和空间记忆补足模型对物理环境的理解。它让机器人能在陌生厨房里找到已经离开视野的物品，并围绕自然语言目标分步执行。结合 OpenAI 已宣布重返机器人领域，包括个人用途，这说明基础模型公司、机器人团队和仿真平台正在同一条赛道上加速。

对谁有价值：对具身智能研究者，这是 VLM 直连技能库的工程范式；对机器人创业公司，这是减少重训、提升跨场景迁移的参考路径；对 VLM 应用开发者，空间记忆和数字孪生是落地家庭服务的关键模块；对投资和战略观察者，则能判断“模型即控制器”离家庭商用还有多远。

可以怎么行动：拆解 HomeBody 的闭环：VLM 规划、技能库执行、Isaac Sim 数字孪生、空间记忆、错误自纠正。评估自身任务能否被有限技能库覆盖，先在仿真中验证探索建图和物品记忆，再接入真实机器人。同时把延迟、算力成本和硬件热限制纳入产品指标，而不是只看任务成功率。

风险或限制：原文明确提到 Astra 的延迟、手指伺服过热和高算力成本。此前还有基准指出 Astra 控制机器人时存在安全问题。陌生厨房的长程自主任务是否稳定、能否复用到更多家庭场景，仍待验证。代码虽在 GitHub 上，但复现依赖 Unitree G1 硬件、Nvidia Isaac Sim 环境和技能库实现，门槛不低。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《研究人员将 GPT-6 Astra 直接接入机器人，让它清理一个不熟悉的厨房》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。