网通社科技快报
GPT6 Astra驱动机器人 清华开源RPent任务成功率92.6%
近日，清华大学联合无问芯穹、正行创新等机构推出并开源了名为RPent的具身智能体基础设施，标志着通用大模型GPT-6 Astra在物理世界应用的重要突破。该系统通过整合GPT-6 Astra的决策能力与视觉语言模型（VLA）等专家模型，构建了一个闭环系统，使机器人能够在真实环境中持续学习和进化，显著提升任务执行能力。
RPent的核心设计理念是让机器人实现“想得明白、看得见、做得到、反应快、记得住”。其系统包含三层接口设计：MCP（基础模型）、RPC（工具与动作原语）和MHS（设备级抽象），串联起从大模型到物理设备的完整链路。在LIBERO-PRO基准测试中，采用RPent系统的机器人任务成功率达到92.6%，端到端任务完成速度优化了7倍以上，充分展示了其适应环境变化和复用已有技能的能力。
具体应用场景中，RPent系统能够灵活调整动作策略。例如，在餐具收纳任务中，机器人会根据当前环境重新选择放置位置，而非机械沿用训练时的动作。此外，它还能将已有技能组合复用，如将抓取动作与双臂协同结合，完成持盘、擦拭和收纳等复杂任务。这些功能通过Task Card形式沉淀，供后续调用。
这一进展引发了业界广泛关注。CMU Robotics的Wenli Xiao展示，GPT-6 Astra可通过简单的视频输入控制机械臂完成新任务，被称为“物理世界中的上下文学习”（physical ICL）。RoboCurve的研究也表明，连接GPT-6 Astra的机械臂在抓取红色积木任务中成功率高达95%，远超现有解决方案。
RPent的开源标志着具身智能领域的重要里程碑，不仅验证了通用大模型在物理世界的潜力，也为机器人技术的发展提供了全新思路。随着更多研究者参与，未来有望看到更加智能、灵活的机器人在各领域广泛应用。
RPent的核心设计理念是让机器人实现“想得明白、看得见、做得到、反应快、记得住”。其系统包含三层接口设计：MCP（基础模型）、RPC（工具与动作原语）和MHS（设备级抽象），串联起从大模型到物理设备的完整链路。在LIBERO-PRO基准测试中，采用RPent系统的机器人任务成功率达到92.6%，端到端任务完成速度优化了7倍以上，充分展示了其适应环境变化和复用已有技能的能力。
具体应用场景中，RPent系统能够灵活调整动作策略。例如，在餐具收纳任务中，机器人会根据当前环境重新选择放置位置，而非机械沿用训练时的动作。此外，它还能将已有技能组合复用，如将抓取动作与双臂协同结合，完成持盘、擦拭和收纳等复杂任务。这些功能通过Task Card形式沉淀，供后续调用。
这一进展引发了业界广泛关注。CMU Robotics的Wenli Xiao展示，GPT-6 Astra可通过简单的视频输入控制机械臂完成新任务，被称为“物理世界中的上下文学习”（physical ICL）。RoboCurve的研究也表明，连接GPT-6 Astra的机械臂在抓取红色积木任务中成功率高达95%，远超现有解决方案。
RPent的开源标志着具身智能领域的重要里程碑，不仅验证了通用大模型在物理世界的潜力，也为机器人技术的发展提供了全新思路。随着更多研究者参与，未来有望看到更加智能、灵活的机器人在各领域广泛应用。