9B模型打赢GPT-6 Astra？大晓ACE-Brain-0.6的具身空间革命：百万条空间锚定数据如何撬动对数线性跃迁

Tuesday, October 20, 2026

9B模型打赢GPT-6 Astra？大晓ACE-Brain-0.6的具身空间革命：从"看懂世界"到"找准目标"

引言：用一个9B的模型，挑战顶级多模态模型

如果你关注过机器人领域，一定听过一个反复出现的困惑：通用大模型明明"什么都知道"，一放到真实机器上却容易"犯迷糊"——把水果放进篮子里，它识得水果也认得出篮子，却常常算不准篮筐边缘在哪、该抓哪个部位、该往哪个方向放。

10月19日，大晓机器人发布了一款名为 ACE-Brain-0.6 的视觉空间锚定增强型具身基模型，正面挑战这个痛点。这款模型参数规模只有 9B，却在一系列"空间锚定（Grounding）“评测上，八项里有六项超过了 OpenAI 的 GPT-6 Astra；在七项国际公开基准上平均得分 74.53，压过 Astra 的 73.68；在大晓自建的真实机器人场景评测 RobotGrounding 上，更是拿到 94.13 分，领先 Astra 约 3.03 分。

这件事真正值得咀嚼的，不是"又一个榜单第一”，而是一句话背后隐藏的技术判断：在直接决定物理操作精度的空间感知环节，一个9B级小模型，用约百万条"高质量、可验证"的空间锚定训练数据，就能形成比肩甚至超越顶级通用模型的专项能力。这等于给"具身智能能靠小模型 + 好数据走到多高"这个问题，画下了一条新的刻度线。

大晓机器人本身也值得注意：它由商汤科技联合创始人王晓刚创立，截至2026年10月已完成数亿美元融资；在ACE之前，它已有ACE-Brain-0.5探索"感知—规划—行动—评估—进化"的统一认知闭环，还有自研的"开悟"世界模型。ACE-Brain-0.6，是这条具身路线上把"空间理解"钉死为突破口的一步。

Part One：为什么"空间锚定"是机器人落地真正的命门

1. 从"看懂世界"到"找准目标"

在给机器人做人工交互时，我们常把"语言—空间感知—物理行动"当成一条流水线。语言模型负责听懂指令，空间感知负责把指令落到物理世界里的具体位置，物理行动负责执行。GPT-6 Astra 这类通用多模态模型，前面一半已经做得很好——它能"看懂世界"，但"找准目标"这一步才是真正的分水岭。

所谓"看懂世界"，是回答"这是什么"；所谓"找准目标"，是回答"它在哪里、哪里能放、该抓哪里、目标到底存不存在"。举个例子：

用户说"把水果放进篮子"。
“看懂世界"阶段：模型认出这是水果、那是篮子。
“找准目标"阶段：模型要判断篮筐边缘在哪、承载面在哪、该用什么姿势抓取、往哪个方向移动、放到篮子的哪个位置。

高级推理决定"行动策略”，精准空间感知决定"策略能不能变成可执行的物理动作”。 对文字问答，差几个像素无所谓；但对抓取、放置的行为，一个细小的几何误差，就可能让整个操作链路崩塌。

2. 即便是顶级模型，也栽在"细粒度几何定位"上

大晓的分析指出，即便是 GPT-6 Astra 这样站在顶点的模型，在细粒度几何定位与复杂空间关系判断上，仍存在明显局限。比如关于"放置"的任务：

放置水果篮，需要识别篮筐边缘与目标承载面；
折叠 T 恤，需要提取衣物轮廓、估计尺寸、计算折叠距离。

这些任务依赖的不是"常识"，而是毫米级的空间推理。通用模型被网络图文训练得擅长"概念理解"，但对"物理世界中一个精确的三维位置"这种冷数据，它的优势反而会变成短板。

3. 光"识别"不够：还要会说"这里没有东西"

ACE-Brain-0.6 一个很耐人寻味的亮点，是对"不存在的目标“的识别能力。真实世界里，机器人经常遇到用户要求它找一个场景里根本不存在的物品。这时候模型要做的不是硬憋一个看似合理却错误的位置，而是准确判断"目标缺失”。

“机器人既要清楚该对什么采取行动，也要清楚什么时候不该贸然行动。"——这一条，是走向可靠物理执行的关键，也是很多人没注意到的细节。

Part Two：ACE-Brain-0.6 怎么做到"9B打赢914B”

1. 统一的"空间感知能力体系"

ACE-Brain-0.6 做的第一步，是把五项与空间相关的认知能力整合成一套统一系统：

物体识别：认出面面里的目标是什么；
多实例定位：同屏多个同类目标时，一一找出并区分；
空间关系理解：判断"在左边"“在上方"“接近哪"等相对关系；
功能区域识别：识别"承载面"“抓取部位"“可交互区域”；
交互位置预测：预测"该抓哪里、该放哪里”。

这五件事过去往往各自为政，ACE-Brain-0.6 把它们统一进一个模型，用一套接口输出"空间坐标、目标区域、计数、判断结果”，逻辑上天然自洽。

2. 从"记录物理交互"到"理解交互对象与位置”

底层的突破，在于大晓把"机器人怎么变成有空间认知"这条路径彻底重做了一遍。

传统机器人数据管理，记录的是"连续视觉观测 + 动作轨迹 + 任务指令"，但缺少细粒度的物体位置、功能区域、空间关系标注。也就是说，数据存在，但"不能用来训练空间理解"。

大晓的做法，是建立一条面向具身空间理解的统一数据构建流程：

机器人交互数据（视频/轨迹/指令）
        │ 整合 30+ 开源机器人数据家族 + 私有Ego/第一视角数据
        ▼
按夹爪状态与动作幅度筛选关键帧
        │ 自动构建场景物体词表
        ▼
Grounding DINO + SAM 3 等视觉工具
        │ 物体定位 / 区域识别 / 语义校正
        ▼
生成多类型问答数据：
  目标指代 / 计数 / 空间关系 / 交互位置 / 目标不存在判断
        │ 标注校验 + 答案均衡 + 评测数据排除
        ▼
约百万条"可核验"空间锚定训练样本
（约94万张不同图像 + 约270万组问答对）

最有分量的一句话，是大晓反复强调的：关键不只是数据规模，更是每个训练答案都带有明确、可核验的视觉依据。 举例来说：

只有物体实例标注完整时，才生成"目标计数"问题；
对于"目标不存在"的问法，必须先在画面里验证它确实没出现，再生成问题。

这样做的目的，是尽可能避免"错误监督"与"训练捷径"——防止模型靠猜、靠 uniform 的侥幸答案应试。

3. 冻结视觉编码器，只动语言模型

在模型侧，大晓选择了基于 Qwen3.5-9B、冻结视觉编码器、仅对语言参数做监督微调的做法。也就是说，视觉特征提取的底层能力直接被复用，而让语言模型去学会"如何把视觉信息翻译成空间坐标与位置判断"。

它的输出也走一个统一接口：预测空间坐标、目标区域、计数以及判断结果，全部用同一个出口表达。这让训练和推理都变得干净、可度量。

Part Three：数据 Scaling 的"对数线性"真相，用代码拆开看

1. 一个反直觉的核心发现

ACE-Brain-0.6 最有说服力的部分，是一组受控实验。在 模型架构与训练方法完全不变 的前提下，团队把训练数据从 26 万条逐步扩展到百万条，得到的结果是：

七项公开评测平均得分由 69.3 分提升至 74.5 分，呈 近似对数线性增长；
训练数据规模每翻倍，综合得分平均提升约 2.4 分。

更耐人寻味的是第二条告诫：

单纯增加"已有数据类型"的样本数量，模型性能提升不足 1 分；真正驱动能力增长的，是持续引入新场景、新空间关系、多样化监督形式。

换句话说：不是"更多数据"在起作用，而是"更多样、更可验证的数据"在起作用。 数据 Scaling 在具身空间感知上，不是粗暴的堆量，而是一场围绕"覆盖度 × 可验证性"的精细工程。

2. 用一段 Python 复现"对数线性"规律

下面这段代码，用最简单的建模演示这条"对数线性增长"曲线，并对比"加量"与"加多样"两种策略的差异：

# scaling_analysis.py
# 复现 ACE-Brain-0.6 的数据 Scaling 观察：
# 1) 数据量翻倍 → 分数近似对数线性 +2.4
# 2) 只增加同类型样本 → +不到1分
import math

def score_by_log_scale(base_score, base_samples, samples):
    """对数线性外推：样本每翻倍，分数+2.4（简化模型）"""
    doublings = math.log(samples / base_samples, 2)
    return base_score + 2.4 * doublings

def same_type_add(score, extra_samples, hit_rate=0.3):
    """只加同一类型样本：红利迅速摊薄"""
    return score + 0.8 * (1 - math.exp(-extra_samples / 2e5))  # 趋近+0.8封顶

base_score = 69.3
base_samples = 26e4

print("论文数据：26万→100万条")
print(f"  实测  -> 74.5")
for samples in [26e4, 40e4, 60e4, 80e4, 100e4]:
    s = score_by_log_scale(base_score, base_samples, samples)
    print(f"  对数外推 {samples/1e4:.0f}万条 -> {s:.2f}")

print("\n策略对比（同为+74万条数据）：")
# A. 只加已有类型
a = same_type_add(74.5, 74e4)
# B. 引入新场景/新关系/新监督
b = 74.5 + 2.4 * math.log((base_samples+74e4)/base_samples, 2) - (74.5 - base_score)
print(f"  只加同类型样本      -> {a:.2f}（+{a-74.5:.2f}）")
print(f"  引入多样新监督      -> {b:.2f}（+{b-74.5:.2f}）")

运行后能看到：对数外推几乎贴着实测值走；而"只堆同一类型"的策略，涨幅快速趋缓到不足 1 分，与论文的观察一致——多样性才是空间理解的天花板撬杆。

3. 把"负采样"做进训练循环

前面提到的"目标不存在"判断，本质是一种负样本 / 负采样设计。下面这段代码演示如何在一个简单空间问答任务里合理地引入"目标缺失"的负例，避免模型学会"有问必答"：

# negative_sampling.py
# 演示：为"空间问答"构造可核验的负样本（目标缺失判断）
class SceneValidator:
    def __init__(self):
        self.objects = {"apple", "cup", "bowl"}

    def make_q(self, target):
        # 只有 target 确实存在，才允许生成"计数/定位"类问题
        if target in self.objects:
            return {"type": "locate", "answer": "found"}
        # 目标不存在 → 生成"不存在"问题，答案是缺失
        return {"type": "absent", "answer": "missing"}

    def verify(self, sample):
        # 核验：答案与真实场景一致，否则丢弃（避免错误监督）
        real = sample["answer"] == ("found" if sample["type"] == "locate" else "missing")
        return real

v = SceneValidator()
for q in ["apple", "phone", "bowl", "chair"]:
    s = v.make_q(q)
    print(f"  问 {q:>5} -> {s['type']:>6} | 核验通过:{v.verify(s)}")

这段代码想说明的核心是：空间问答的数据构造，天然要把"目标不在场"作为一等公民；而是否生成某个问题、答案是否正确，都必须能由画面场景做客观核验。 这正是大晓"可验证数据"理念的工程骨架。

Part Four：RobotGrounding 与一份真实的评测细节

ACE-Brain-0.6 在评测上的亮眼数字，离不开 RobotGrounding 这个自建评测集。它包含 2591 个问题，覆盖 14 类任务，包括目标定位、小物体识别、多实例计数、目标缺失判断、跨相机视角对应等。

正是因为覆盖了"跨相机视角对应"“目标缺失判断"这类开放环境下才有的难点，RobotGrounding 才更能代表真实机器人场景。ACE-Brain-0.6 用它拿下 94.13 分，领先 Astra 约 3.03 分，也正说明数据与评测的"空间理解"取向是自洽的——你按什么标准造数据，能力就在什么标准下被检验。

值得一提的是，大晓在八项评测中真正超过 Astra 的是这六项：Where2Place（76.55 vs 71.10）、PixMo-Count（89.41 vs 88.10）、RoboSpatial（74.82 vs 69.55）、RoboAfford（88.51 vs 84.94）、ShareRobot（49.70 vs 46.60）、RobotGrounding（94.13 vs 91.10）。可以看到，赢面集中在"放置位置、空间计数、空间定位、交互区域、多本体共享、真实机器人"等强空间性任务上——这正是"用数据练出来的空间专项能力"最有说服力的地方，也是通用模型相对薄弱的地方。

不过，我们必须保持冷静：这些评测大多来自大晓单方披露，仍需第三方独立验证。

Part Five：这条路线对具身智能意味着什么

1. 给"小模型够不够用"一个参考答案

长期以来，具身智能存在一条被默认的假设：要像 GPT-6 Astra 那样思考，得起一个巨大的通用模型，才能把物理世界理解到位。ACE-Brain-0.6 提供了一个反例：在"空间感知"这个专项维度上，9B 模型 + 百万条高质量可验证数据，足以形成竞争力。

它背后是一条朴素却一直被低估的判断：通用模型的能力是"广而浅”，专项模型的能力可以"窄而深"。 对大部分只需要把"放、抓、指、定位"做准的机器人任务，深度比广度更值钱。

2. 数据不是越多越好，是越"可验证"越好

ACE-Brain-0.6 最值得行业学习的，其实是它的"数据方法论"：先建词表、用 Grounding DINO 和 SAM 3 做自动标注、再生成"带视觉依据"的高质量问答、用校验与均衡把错误监督挡在训练之外。它证明了：机器人的经验要变成模型的能力，关键不在留存多少原始视频，而在把这些视频"翻译成可核验的空间知识"。

3. 商用落地的前提：把"不会也要会说不"的能力做好

“目标不存在也要会判断"这件事，直接影响商用可靠性。一个会把空场景里不存在的物品硬编出坐标的机器人，在真实仓储、服务场景里是灾难。ACE-Brain-0.6 把"学会闭嘴/学会说不"纳入核心能力，是"从 demo 走向量产"很重要的一步。

### 3. 为什么"可比对"胜过"参数堆叠”

还有一层容易被忽略的深意。ACE-Brain-0.6 用 9B 参数去对打动辄数百上千亿参数的顶级模型，本身就透露出具身智能行业的一种新取向：在空间感知这类"窄而深"的能力上，“你能否把训练数据做得既多样又可验证”，往往比"你有多少个亿的参数"更能决定谁能真正落地干活。

对机器人公司而言，这意味着评估一个具身基模型，不能只看它的参数量和排行榜，更要看三条硬指标：它用了多少"可核验"的空间数据、这些数据覆盖了多少种真实场景与空间关系、以及它在"目标缺失、跨相机、小物体"这类开放难题上的表现。 数字漂亮是第一步，数据可信才是穿越 demo 走向量产的分水岭。

4. 对开源生态的含义

最后，ACE-Brain-0.6 基于 Qwen3.5-9B 微调这件事，还有一层更朴素的含义：顶尖的空间感知能力，并不一定只能诞生在封闭大模型的围墙里。 一个成熟的开源基座，加上一条自建的高质量数据管线，同样有可能在一个细分能力点上追平甚至超越闭源巨兽。这对那些没有千亿算力、却手握海量真实机器人场景数据的团队来说，是一种相当实际的鼓励——差异化的胜负手，可能就藏在"数据工程"而非"模型规模"里。

5. 冷静的注脚

我们也要给这则新闻留一条冷静的注脚：这些成绩目前主要来自大晓单方披露，尚未经第三方独立复现验证；且九项基准的公开性、任务难度与真实机器人环境之间仍有距离。 一个能打赢榜单的模型，不等于一个能在开放杂乱环境稳定复现的机器人。空间感知的专项突破值得喝彩，但"小模型路线能否在更宽的开放环境被验证"，仍需时间与更多团队的检验。

结语

大晓 ACE-Brain-0.6 的 74.53、六项超 Astra、以及"数据翻倍 +2.4 分"的对数线性曲线，共同拼出这句话：在具身智能里，一条"9B 小模型 + 高质量空间数据"的路，正被认真走出来。

它没有试图证明"小模型取代大模型"，而是精准地证明了另一件事：在"瞄准物理世界、把位置弄准"这件事上，数据的可验证性与多样性，比参数的堆叠更有价值。 当机器人真正要进入现实世界干活，空间感知从"看得懂"到"放得准"的那一步，也许就是这样被一小条、一小条可核验的数据，一点点撬动的。