一个只有 90 亿参数的"小个子",在机器人"看懂世界"这件事上,把 GPT-6 比下去了?
你让家里的机器人"把桌上那个红杯子递给我"。
这句话对你来说简单到不用想。可对机器人来说,它得先弄明白:
画面里哪个东西是"杯子"?
哪个杯子是"红色的"?
桌上有两个红杯子怎么办?
要是根本没有红杯子呢?它会不会瞎指一个,假装自己找到了?
这个"从一句话,精准找到画面里对应位置"的能力,在 AI 圈有个专门的名字,叫空间定位(Spatial Grounding)。
你可以把它理解成机器人的"眼力"加"指哪打哪"的本事。
为什么这件事突然重要了?
这两年,AI 会写诗、会写代码、会考试,大家已经见怪不怪。
但让 AI 走出屏幕,变成能叠衣服、能收拾桌子、能在工厂里干活的机器人,卡住大家的往往不是"脑子不够聪明",而是"手伸不准"。
它知道"把衣服叠整齐",却不知道衣服的边角具体在画面哪个位置。它知道"把水果放进篮子",却不知道篮子的边沿到底在哪、哪块空地才放得下。
所以,让 AI 学会"看准",是机器人从实验室走向生活的关键一步。
这次的主角:ACE-Brain-0.6
最近,ACE Robotics(联合了南洋理工大学、商汤研究院、上海交大、四川大学等机构的研究者)开源了一个叫ACE-Brain-0.6的模型。
它做的就是上面那件事:给它一张(或几张)图,再用人话问它问题,它能告诉你答案在哪里。
它能做这些事:
- 找东西
:"指出图里的红杯子",它会给你一个坐标点或一个框。
- 数东西
:"桌上有几个苹果?"它直接回答一个数字。
- 懂空间
:"杯子在盘子左边吗?"它回答 yes 或 no。
- 找操作点
:"我该抓哪里才能拿起这个锅?"它指出锅柄。
- 说"没有"
:如果图里根本没有你要的东西,它会老实回答 none。
最后一点特别重要。很多 AI 最大的毛病就是"不懂装懂",明明没有也要瞎指一个。敢说"没有",恰恰是机器人安全干活的前提。
最大的看点:小模型打赢了大模型?
这个模型只有90 亿参数,在今天的 AI 世界里属于"轻量级选手"。
它的"对手"呢?GPT-5.5、GPT-5.6-sol、GPT-6 Astra、Claude Opus 5.5、Gemini 4 Argon,几乎是目前能找到的顶级闭源模型阵容。
结果怎么样?
在 7 个公开的空间定位测试里,把成绩取平均:
ACE-Brain-0.6:75.41 分
GPT-6 Astra:73.68 分
Claude Opus 5.5:67.30 分
Gemini 4 Argon:65.55 分
GPT-5.6-sol:60.93 分
GPT-5.5:60.28 分
它在7 项里赢了 GPT-6 Astra 其中的 4 项。
另外,团队自己设计了一个叫 RobotGrounding 的机器人场景考试,共 2591 道题,题目全部来自没参与过训练的机器人画面。ACE-Brain-0.6 拿了93.42 分,同样排在所有对比模型的第一位。
但是,先别急着喊"GPT-6 已死"
- 它不是全面碾压。
7 项里有 3 项输给了 GPT-6 Astra,分别是数数、复杂指代和 PointArena。其中最大的差距在 RefSpatial:71.84 对 80.14,差了 8 分多。
- 在某些单项上,它也不是第一。
比如 RoboSpatial 这一项,Gemini 4 Argon 的 80.94 分就比它的 76.56 高。
- 自家考试要打折看。
RobotGrounding 是团队自己出的题,虽然题目没参与训练,但"自己出题自己考"和第三方裁判的公信力总归不同。
- 最关键的一点:
论文自己也明确说了,这些测试衡量的是"看得准不准",不等于机器人真的能把活干成。从"指对位置"到"真的抓起来、放好、叠整齐",中间还隔着很长一段路。
所以更准确的说法是:一个 9B 的小模型,在"看准"这一项专业技能上,摸到了顶级闭源大模型的水平线,甚至在好几个科目上超过了它们。
这已经足够让人意外了。
它是怎么做到的?秘诀不是"更大",而是"更会喂"
这才是整件事里我觉得最有意思的部分。
团队没有去造一个更大的模型,而是找了一个现成的 90 亿参数开源模型(Qwen3.5-9B)做底子,然后给它喂了约 150 万个训练样本,总共约 341 万组问答。
关键不在量,而在数据怎么做出来:
数据来源很杂:机器人操作录像、第一视角生活录像、物体和零件标注、空间关系数据都有。
全部转换成统一的"问答格式",答案都是能被核对的,不是"AI 说了算"。
数数题要求必须数全,少一个都算错。
"没有这个东西"的题,会专门拿图片里的物体清单去核实。
测试用的图片和机器人录像全部从训练数据中剔除,防止"考前泄题"。
用大白话说:不是让学生刷更多题,而是让他刷"有标准答案、有人批改、没有重复"的好题。
还有一个有意思的发现:数据越多样,AI 越"准"
团队做了个实验:保持模型和训练方法不变,只让数据从 26 万条一点点增加到 155 万条,平均分从69.3 涨到 75.4。
大致规律是:数据量每翻一倍,平均分涨约 2.4 分,而且曲线非常平滑。
但这里有个细节特别值得说:团队还做了对照实验。如果只是把已有来源的数据堆得更多,分数涨幅不到 1 分。
也就是说,真正管用的不是"更多",而是**"更不一样"**。
这对整个行业都是一个提醒:AI 想学会物理世界,光靠"大力出奇迹"可能不够,数据的覆盖面和多样性才是关键。
模型与训练
基座:Qwen3.5-9B,多模态视觉语言模型
训练方式:仅对答案 token 做 SFT(监督微调),训练 1 个 epoch
- 视觉编码器冻结
,只更新语言模型部分的参数
序列长度 16,384 tokens,峰值学习率 1×10⁻⁵
推理时使用 non-thinking(非思考)模式,不靠长链条推理出答案
把"定位"统一成条件文本生成问题,不需要额外的检测头
统一输出接口
坐标全部归一化为[0, 1000] 的整数,模型只需要用文字"说"出答案:
单个点:[x, y]
多个点:[[x, y], ...]
框:[x1, y1, x2, y2]
数量:一个整数
判断:yes / no / none
自动标注流水线
从机器人轨迹中挑选关键帧
为每个场景建立专属的物体词表
用Grounding DINO和SAM 3做定位和分割
通过"语义重标注"修正物体名称,同时保持框的数量和几何位置不变
自动生成六大类问题,再做一致性检查和答案形式的平衡
几个值得注意的数据
相比基座模型 Qwen3.5-9B,Avg-7 从 65.72 涨到 75.41,提升 9.69 分
7 项公开测试里,有 6 项相比基座有提升;但PixMo-Count 反而从 90.35 降到了 86.96,说明专项训练带来了一点代价
提升最大的能力是**"识别不存在的物体或属性"和"跨视角对应"**
在"每个实例都要指出"和"由关系定义的目标"这两类题上,GPT-6 Astra 仍然领先
- Where2Place
(找空位放东西)81.44,比第二名的 71.20 高出 10 分以上,这是它最亮眼的一项
局限性(论文自己也承认)
"空闲区域"的定位只是2D区域,不代表在 3D 空间里真的放得下
基于框的"点是否命中"判断,对细的、空心的物体偏宽松
评测使用 temperature 0.2 和 128 token 的输出上限(PixMo-Count 用 1024)
项目主页上的论文、数据集链接仍标注"即将发布",arXiv 编号也还在待定状态
开源信息
模型权重已上传 Hugging Face(ACERobotics/ACE-Brain-0.6-9B)
模型采用 MIT 许可证,仓库使用 Apache-2.0
支持 Transformers、vLLM、SGLang 部署,上手门槛不高
技术报告 PDF 已在 GitHub 提供
我自己读完这个项目后,最大的感受不是"又一个模型超越了谁",而是:
机器人时代的竞争,可能不再只是"谁的脑子大",而是"谁的眼睛准、手上有数"。
一个 90 亿参数的开源模型,凭着扎实的数据功夫,在这个关键环节上追上了顶级闭源模型,这件事本身,就值得被更多人看见。
当然,"看得准"离"干得好"还有很远。但每一次这样的进步,都是在把那个"家里有个机器人帮你收拾桌子"的未来,往现实拉近一点点。
更多transformer，VIT，swin tranformer 参考头条号：人工智能研究所 v号：人工智能研究Suo, 启示AI科技动画详解transformer 在线视频教程
