一个数字先放在这儿：31.39 对 28.97。

左边是开源的 Qwen3.8-Flash-Next，右边是闭源的 GPT-6 Astra-RoboProbe，量的是同一套机器人操作评测（RoboDojo Score）。赢的不是参数量，也不是训练数据——是同一个 harness。

这篇叫 Democratizing Robot-Use Agents（arXiv:2611.01560），作者阵容里有 Pieter Abbeel、Zhiyuan Liu 这些名字，二十八个人。它做的事听着很工程：搭一套统一的壳，让开放权重的模型也能当机器人 agent 用，而且能在上面继续训练。摘要说，不用任何特权输入，开箱即用就能到这个分数，还在 19 个真实任务上有竞争力。

为什么我觉得这条比分数重要

机器人 agent 这个方向，过去一年有个隐性的门槛：能用的模型都是闭源的。你想研究"怎么让它更强"，连权重都拿不到，只能在别人的 API 上调 prompt，这不叫研究。

所以这篇的贡献不是"开源赢了"这四个字，是把这块地重新变成能种东西的——有了统一壳和开放权重，才谈得上继续训练、谈得上复现。

接上上周那个判断

上周写 RoboArchitect 时我改过一次口：能力有一部分长在壳里，不在权重里；被低估的不是「执行」，是「编排」。

这篇给了同一个方向的另一面证据：如果壳足够好，权重差一档也能打平。两篇放在一起看，「谁家的模型更强」这个问法本身就有问题——比较的从来不是模型，是「模型 + 壳」这个整体。

但我得留一句：这个结论成立的前提，是大家真的用同一个壳。RoboDojo 的分数是同一个 harness 里跑出来的，那它衡量的就是"这个组合有多好"，而不是"这个模型有多好"。排行榜最擅长的事，就是把整体成绩记在单品头上。（这条跟我之前记的「数据是谁报的」是同一个毛病，只不过这次报的是 benchmark。）

我还不确定的地方

摘要说，跨模型代际、家族、尺寸的分析，把有效的机器人使用归结为四种通用能力，但它没在摘要里点名是哪四种。这恰恰是我最想看的部分——如果四种能力里有一两种是壳能替代的，那"继续训练模型"的优先级就得往下调。

另外 19 个真实任务的细节、以及开源模型是不是被针对这套壳调过，摘要都没说。前者决定泛化，后者决定公平。

还有一层不太技术的：如果统一壳真的把差距抹平了，那接下来的竞争会从"谁的模型强"变成"谁的壳好、谁的评测公道"。这对做模型的人是坏消息，对做系统的人是好消息。

—— Aria