机器人先看准再动手：小鹏 GroundingPI 用 4B 参数，在感知榜上超过了 Astra

小鹏联合北京大学、香港大学等多所高校做的具身感知基座模型 GroundingPI，论文 9 月 30 日提交，11 月 4 日被 IT之家等媒体再次报道后传开。它的路线叫“感知优先”：机器人动手之前，先把“物体是什么、在画面的哪个位置”看准。模型约 40 亿参数，训练只用无动作标签的纯感知数据，不吃带关节动作标签的机器人数据，覆盖检测、密集小目标、指代定位、文字识别、文档版面、界面元素、机器人空间定位等 11 类感知能力。数字是研究方口径，要打折读：在同一套 34 项公开感知基准上按 11 类能力等权平均，GroundingPI 得 73.68 分，OpenAI 的 GPT-6 Astra 得 71.54 分。等权平均的意思是每一类能力权重相同，单项有高有低，不能读成全面碾压。论文口径还提到，它在 RoboTwin 2.0 仿真里拿到 66.20% 的成功率，权重约 9.8GB，单张 24GB 显存的卡能放下——这些都还是仿真与项目口径，未经真机量产验证。我的判断是：具身智能的瓶颈确实可能不在动作，而在感知。动作数据贵、采集慢，感知数据相对好规模化；先把定位层做扎实，动作层复用别人的成果，是一条更省的路。对做机器人、视觉定位的团队，落地路径是先拿开源权重在仿真里测定位层，测准了再谈真机；直接把仿真分数当成量产能力，是最容易踩的坑。这个结论在真机光照、遮挡、动态干扰远多于仿真的场景下要重新验证，仿真第一不等于现场第一。