ACE-Brain-0.6 发布：9B 具身模型六项评测超过 GPT-6 Astra

ACE-Brain-0.6 于 2026 年 10 月 19 日由大晓机器人正式发布。这款 9B 参数的具身基模型只比一件事：让机器人看准目标在哪里、该抓哪里、哪里能放。在大晓公布的八项视觉空间锚定评测中，它有六项超过 OpenAI 的 GPT-6 Astra，七项公开基准的平均分以 74.53 对 73.68 险胜。成绩来自大晓公布的材料，上观新闻在报道时明确标注仍待第三方评测验证，这一点先放在前面。

它比的不是聊天，是"指哪打哪"

视觉空间锚定（Visual Grounding）指的是把语言指令落到物理位置上：用户说"把水果放进篮子"，模型要识别出水果和篮子，还要判断篮筐边缘、承载面、抓取部位和移动方向。大晓的分析认为，GPT-6 Astra 这类通用多模态模型的推理能力已经很强，但细粒度几何定位和复杂空间关系判断仍会出错；文字问答里偏一点无所谓，机器人抓取偏几厘米就是失败。ACE-Brain-0.6 把物体识别、多实例定位、空间关系理解、功能区域识别、交互位置预测和"目标不存在"的判断整合为一套空间感知能力，专门补这一环。它基于 Qwen3.5-9B 构建，冻结视觉编码器，只对语言模型参数做监督微调。

分数拆开看，赢得并不均匀

差距最大的是空间关系和功能区域类任务，计数类只是小幅领先；七项公开基准平均分只差 0.85 分，属于同一档次内的专项胜出，而不是代际碾压。其中 RobotGrounding 是大晓自建的评测集，包含 2591 道问题、覆盖 14 类任务，自建评测上的领先参考价值要打折看待。"目标不存在"判断是这批结果里更值得注意的一项：场景里没有用户要的东西时，模型需要明确说没有，而不是编一个位置出来，这是机器人走进真实环境的安全底线。

百万条可验证数据，是这篇发布真正的重点

ACE-Brain-0.6 的训练样本约 100 万条，涉及约 94 万张图像、270 万组问答对。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，用夹爪状态和动作幅度从机器人操作视频中筛选关键帧，再结合 Grounding DINO、SAM 3 等视觉工具完成定位、区域识别和语义校正，把异构数据统一转成带明确视觉依据的监督信号。受控实验显示，架构和训练方法不变时，数据从 26 万条扩到 100 万条，七项公开评测平均分从 69.3 升到 74.5，数据每翻倍平均提升约 2.4 分；但只增加已有类型样本时提升不足 1 分，真正起作用的是新场景、新空间关系和新监督形式的加入。这条结论对同行更有参考价值：具身数据的瓶颈在多样性和可验证性，不在单纯堆量。类似的"小模型靠数据和专项训练追赶大模型"的路线最近并不少见，REKI 机器人模型 走的也是公开数据加专项优化的路子。

离机器人真干活，还差一截

需要泼的冷水是：空间锚定评测测的是静态图像上的定位判断，不是机器人在真实场景里连续完成抓取、放置的成功率。光线变化、遮挡、物体形变和夹爪执行误差，都会在评测之外把分数吃掉。大晓这次没有公布真机任务成功率，也没有说明模型权重是否开放。在这些信息补齐之前，ACE-Brain-0.6 更适合被看作一个有说服力的方向验证：9B 级模型靠高质量专项数据，可以在单一关键能力上追平甚至超过顶级通用模型；至于它能不能让机器人更可靠地干活，要等真机数据说话。