GPT-6Astra赋能机器人！清华开源RPent推动具身智能发展

近年来，随着人工智能技术的快速发展，通用大模型在代码生成、文本理解等领域展现出强大能力。然而，当这些模型被应用于物理世界时，如何让它们真正理解和执行复杂任务成为了一个重要课题。

近日，清华大学联合无问芯穹、正行创新等机构推出了一项名为RPent的具身智能体基础设施，并将其开源。这一系统的核心在于将GPT-6 Astra这样的通用大模型作为决策大脑，结合视觉语言模型（VLA）等专家模型的能力，构建了一个完整的闭环系统，使机器人能够在真实环境中自主完成任务。

RPent的设计理念是让机器人不仅"想得明白"，还要能"看得见、做得到、反应快、记得住"。它通过三个核心模块实现这一目标：首先，利用通用大模型进行任务理解和规划；其次，借助VLA等专家模型处理精细操作；最后，通过记忆机制记录经验并优化后续行为。

在LIBERO-PRO基准测试中，采用RPent系统的机器人达到了92.6%的任务成功率，端到端任务完成速度优化了7倍以上。这表明，通过这种方式，机器人可以更好地适应环境变化，并将经过验证的经验转化为可复用的能力。

具体来看，RPent系统包含三层接口设计：从大模型到物理设备，通过MCP（基础模型）、RPC（工具与动作原语）和MHS（设备级抽象）三段标准接口串联起完整链路。这种设计使得机器人能够灵活应对各种任务场景，例如在不同环境下调整动作策略，或者组合已有技能完成新任务。

一个典型的例子是，当任务要求将干净餐具放入纸箱时，冻结VLA只会沿用训练时学到的动作，将盘子错误地放入金属篮中；而在RPent系统中，智能体会先观察当前环境，再根据新的目标选择放置位置。如果视觉定位出现偏差，它还会检查结果、排除错误目标，并重新定位手中的盘子。

此外，RPent还展示了对已有能力的复用。例如，机器人可以将原本用于"拿起并放置容器"的技能重新组合，用于倾倒钢珠；又可以把抓取动作与双臂协同、持续接触组合起来，完成持盘、擦拭和收纳等任务。这些功能都通过Task Card的形式沉淀下来，供后续任务调用。

值得注意的是，RPent的成功并非偶然。其核心技术团队来自RLinf，他们在具身智能基础设施领域积累了丰富的经验。开源代码链接为https://github.com/RLinf/RPent，欢迎开发者参与改进和扩展。

这一进展引发了业界广泛关注。过去几年，机器人行业一直在寻找类似OpenAI那样的基础模型，而GPT-6 Astra的表现似乎给出了一个明确的答案。正如CMU Robotics的Wenli Xiao所展示的，通过简单的视频输入，Astra就能控制机械臂完成新任务，这被称为"physical ICL"（物理世界中的上下文学习）。

另一个值得关注的例子是RoboCurve的研究。他们将GPT-6 Astra连接到两只真实的I2RT YAM机械臂上，在测试中成功完成了19次抓取红色积木放入碗里的任务，成功率高达95%，远超现有解决方案。

总的来说，RPent的开源标志着具身智能领域的一个重要里程碑。它不仅展示了通用大模型在物理世界中的潜力，也为机器人技术的发展提供了新的思路。未来，随着更多研究者加入，我们有望看到更加智能、灵活的机器人在各个领域发挥作用。