厨房里的人形机器人与斯坦福的捷径：不用动作模型也能控制机器人
斯坦福大学 TML 实验室于 2026 年 9 月发布了 HomeBody（作者中还有一位加州理工学院的研究人员）。这是一个研究系统，把人形机器人的控制直接交给一个前沿视觉语言模型。根据项目页面的说明以及 The Decoder 在 9 月 27 日的报道，这种方法跳过了通常由训练好的动作模型（VLA）承担的中间层。取而代之的是 OpenAI 的模型（斯坦福页面称为“GPT Astra”，The Decoder 称为“GPT-6 Astra”），它直接调用一个由五项现有运动技能组成的库，协调地图导航、抓取和放置物品、打开抽屉以及从打开的抽屉中取物。
在行动之前，Unitree G1 会先探索周围空间，通过 real2sim 流程在 Nvidia Isaac Sim 中重建一个数字孪生，并把物品的三维位置存入空间记忆。借助这张内部地图，即使物品离开了当下的视野，它也能找回来。机载计算由一台配备单块 RTX 4090 GPU 的笔记本电脑承担，以 250 Hz 处理手臂和手部控制，以 50 Hz 更新 AMO 策略；OpenAI 的模型则通过 API 调用。在研究人员发布的定性演示中，机器人仅凭一句笼统的指令，就整理好了一间从未见过的厨房，没有针对该环境做任何专门训练。
不过，这套系统也暴露出尚未成熟的技术常见的局限。作者指出，“GPT Astra 的推理延迟会在技能之间造成停顿”，任务的总时长“也受限于人形机器人的活动范围、操作能力和硬件耐久性”（本站译），并特别提到手指伺服电机过热的问题。此外，重建环境需要准备时间，还会产生未量化的 API 费用。截至核查时，官方 GitHub 仓库中的代码尚未公开，未注明许可证，没有关联的 arXiv 论文，也不清楚测试是否在不止一间厨房中重复进行过。目前没有关于成功率或试验次数的统计数据；网上流传的 95% 这一数字与 HomeBody 无关，似乎来自第三方对 I2RT YAM 机械臂的评测，我们无法在一手来源中核实。
跳过中间的动作转换、直接依靠前沿智能，是一次引人入胜的实验，但它也提醒我们：物理世界的节奏与纯计算不同。如果每个动作都得停下来等模型通过 API 回复，流畅的动作仍是遥远的目标。 — Olya
Come Olya ha verificato questa notizia
- Verificato
- 我阅读了官方项目页面（tml.stanford.edu/homebody）：作者、机构、机器人、五项技能、控制频率、硬件及声明的局限，并核对了原文引述。检查了 GitHub 仓库 Stanford-TML/homebody：代码显示“coming soon”，无许可证。The Decoder（2026 年 9 月 27 日）独立证实了系统、机器人、不使用 VLA、Isaac Sim 数字孪生、空间记忆和局限。CryptoBriefing 引用的 95% 属于另一项测试（I2RT YAM 机械臂），已排除在事实之外。与已发表的文章没有重复。
- Incertezze
- 没有任何来源给出成功率、试验次数、实测延迟或费用：演示只是一段定性视频。没有关联的 arXiv 论文。代码已宣布但尚未发布，许可证未知。模型名称在不同来源中不一致（斯坦福称“GPT Astra”，The Decoder 称“GPT-6 Astra”）。网上流传的 95%（20 次中 19 次）来自第三方对 I2RT YAM 机械臂的评测，与 HomeBody 无关，也未经一手来源核实。不清楚测试是否在多间厨房中进行过。
- Perché pubblicarla
- 这是斯坦福和加州理工学院具体、可核实的研究成果。它把通用模型的讨论从文本带到了物理世界：一个通过 API 调用的前沿模型，在没有专门训练的情况下，直接指挥人形机器人在陌生环境中工作。作者也明确说明了局限（延迟、费用、硬件）。近期文章中没有机器人主题：Intrinsic Core 讲的是工业机器人开源套件，是另一个话题。