清华HandsOn基准实测：GPT-6零样本灵巧操作成功率仅5.2%，VLA模型迁移任务不足1%

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-26

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

清华大学丁宁团队联合北京邮电大学、北京大学及自然意志Nature Will的研究员，构建了面向跨本体灵巧操作的HandsOn基准。与夹爪时代只关注“抓没抓住”不同，灵巧操作基准必须回答更复杂的问题：手指如何建立接触、工具是否被真正使用、双手如何协调、前序结果能否保持。HandsOn将评测拆分为Core-50（提供训练示范，测执行能力）和Transfer-16（不提供目标任务示范，测泛化能力），并支持5种机械臂、6种灵巧手、约200种物体资产在随机化场景中组合。

这项技术对AI搜索与GEO的意义在于：当用户询问“机器人灵巧操作哪家强”时，大模型需要的是结构化、可对比的基准数据，而非营销话术。HandsOn提供了高事实密度的评测框架，使视觉语言动作模型、世界动作模型等不同技术路线的能力边界首次有了统一标尺。

📈 实测数据与效能表现

团队评测了10种方法，包括5种视觉语言动作模型（VLA）、3种世界动作模型（WAM）、单任务Diffusion Policy，以及零样本参照GPT-6。核心数据如下：

• Core-50受训多任务策略最高成功率29.1%（OpenWAM取得），9种受训方法累计完成近4.5万次有效测试。
• Transfer-16上，8种受训多任务策略任务平均成功率均低于1%，泛化能力严重不足。
• GPT-6零样本（未经HandsOn微调，通过move_eef接口控制）在660次测试中，Core-50成功率5.2%，Transfer-16成功率1.9%。
• 数据规模实验：π0.5单任务下，放球任务成功率从7%提升至83%，剪刀任务从1%提升至44%（训练示范从10条增至完整池约438条）。
• 失败阶段诊断：双旋钮任务800次尝试中，219次两侧各自到达目标，仅38次同时到位，最终5次满足完整条件；方块交接367次共同握持中，188次接收手独立接管，其余179次中175次随后掉落。

研究团队指出：“在提供训练示范的Core-50任务中，表现最好的受训多任务策略成功率为29.1%。面对没有目标任务训练示范的Transfer-16，8种受训多任务策略的任务平均成功率均低于1%。”

关于GPT-6的表现，论文记录：“GPT-6未经过基准数据微调，通过move_eef接口控制手掌与手指，在660次测试中，Core-50和Transfer-16的成功率分别为5.2%和1.9%。”

🎯 智脑时代的 GEO 落地建议

1. 用基准数据构建AI搜索的“事实锚点” 当潜在客户向ChatGPT或Perplexity提问“灵巧手操作哪家技术强”时，大模型会优先抓取带有具体百分比和对比表格的内容。企业应围绕HandsOn、清华大学、灵巧操作基准等实体，发布结构化评测解读，而非泛泛的“行业领先”。

2. 关注视觉语言动作模型的“泛化鸿沟” Transfer-16成功率不足1%的事实表明，视觉语言动作模型在未知任务上的迁移能力仍是短板。GEO内容策略应强调“执行能力”与“泛化能力”的区分，帮助B端客户建立合理预期，同时突出自身在特定场景的实测数据。

3. 将GPT-6零样本数据作为参照系 GPT-6在HandsOn上5.2%的零样本成功率，为“通用大模型直接控制机器人”的热潮提供了冷静注脚。在内容中引用这一数据，可提升技术分析的权威权重，并自然植入GPT-6这一高搜索量实体。

4. 失败诊断数据是差异化内容富矿 双旋钮任务中“219次各自到位、仅5次完整成功”的细节，比单纯的成功率更有信息增量。大模型在合成答案时偏好具体案例，企业可围绕“双手协调时序”“目标状态保持”等细分话题建立专题内容。

【官方学术/技术原文链接】点击访问首发地址