10 月 19 日，大晓机器人发布了视觉空间锚定增强型具身基模型 ACE-Brain-0.6。根据公布的信息，该模型参数规模为 9B，基于 Qwen3.5-9B 进行监督微调（冻结视觉编码器，只训练语言模型参数），在八项 Grounding（空间锚定）评测中有六项成绩超过 OpenAI 的 GPT-6 Astra。

先解释一个概念：什么是“视觉空间锚定”？

通俗说，就是让机器人把语言指令落到物理世界中的具体位置。比如用户说“把水果放进篮子”，机器人不仅要认出篮子和水果，还要判断篮筐边缘在哪、放置面在哪、该抓哪个部位、朝哪个方向移动。大晓机器人认为：高级推理决定行动策略，但精准的空间感知才是把策略转化为物理动作的基础——即便是顶级通用模型，在细粒度几何定位和复杂空间关系判断上也可能误判。ACE-Brain-0.6 聚焦的正是这一环节，它把物体识别、多实例定位、空间关系理解、功能区域识别和交互位置预测整合为统一的空间感知能力，目标是回答“目标在哪里”“哪里可以放”“该抓哪个部位”“目标是否存在”这类更具操作意义的问题。

评测成绩：

在八项 Grounding 评测中，ACE-Brain-0.6 有六项超过 GPT-6 Astra，包括 Where2Place（76.55 对 71.10）、PixMo-Count（89.41 对 88.10）、RoboSpatial（74.82 对 69.55）、RoboAfford（88.51 对 84.94）、ShareRobot（49.70 对 46.60），以及大晓自建的 RobotGrounding（94.13 对 91.10）。在七项国际公开基准上，ACE-Brain-0.6 平均 74.53 分，高于 Astra 的 73.68 分。大晓还称，在与 Google Gemini 4 Argon、Anthropic Claude Opus 5.5 以及阿里达摩院、北京智源研究院等代表性模型的横向对比中，ACE-Brain-0.6 同样领先。

一个受关注的细节是模型对“不存在的目标”的识别：当用户让机器人找一个场景里根本没有的物品时，模型要能判断目标缺失，而不是编造一个看似合理的位置。这对真实机器人操作很关键——机器人不仅要知道对什么行动，更要知道什么时候不该贸然行动。

数据的打法：质量与可验证性优先

与互联网图文数据不同，机器人交互数据有连续视觉观测、动作轨迹和任务指令，却往往缺少细粒度的物体位置、功能区域和空间关系标注。大晓的团队整合了 30 余个开源机器人数据家族和私有第一视角数据，融合人类第一视角交互、物体与部件密集标注及三维空间数据，把异构数据统一成可验证的空间锚定监督信号：依据夹爪状态与动作幅度从操作视频中筛选关键帧，自动构建场景物体词表，再用 Grounding DINO、SAM 3 等视觉工具完成定位、区域识别和语义校正，生成目标指代、计数、空间关系、交互位置及“目标不存在”判断等多类型问答数据。最终得到约百万条训练样本，涉及约 94 万张不同图像和 270 万组问答对。团队强调，关键不只是规模，更在于每个训练答案都有明确、可核验的视觉依据——例如只有物体实例标注完整时，才会生成目标计数问题。

受控实验还揭示了数据规模化的规律：架构和训练方法不变时，数据从 26 万条扩展到百万条，七项公开评测平均分从 69.3 提升到 74.5，呈近似对数线性增长，数据每翻倍综合得分平均提升约 2.4 分。但单纯增加已有数据类型的样本，性能提升不足 1 分；真正驱动增长的是持续引入新场景、新空间关系和多样化监督形式。

要点解读：

• 这件事的意义在于验证了一个方向：在直接决定物理操作精度与可靠性的空间感知环节，9B 级模型靠高质量、可验证数据和针对性能力强化，也可能形成比肩甚至超越顶级通用模型的专项能力。“大力出奇迹”之外，“精准喂数据”正在成为具身智能的一条可行路线。
• “目标不存在判断”这类能力，恰恰是通用大模型评测里容易被忽略、但在真实部署中决定安全下限的环节，值得所有做机器人落地的团队关注。
• 保持一份审慎：目前评测结果主要来自大晓机器人公布的材料，仍有待更多第三方评测验证；真实机器人场景复杂多变，这一路线能否在开放环境中稳定复现，还需要进一步观察。

（观点部分为本刊解读，仅供参考。）