ithome
科技
汽车
教育
采集 2026-11-04T10:09:18+00:00
小鹏联合高校发布具身感知模型 GroundingPI
原始标题:小鹏联合北大、港大等发布 GroundingPI 预训练模型,感知模块综合跑分超过 GPT-6 Astra
来源
ithome
发布时间
2026-11-04T09:40:04
采集批次
2026-11-04-10
字数
883
URL 指纹
0243260ae0dbfd8f
📌 AI 总结(174 字)
小鹏集团联合北京大学、香港大学等团队发布具身感知基座模型 GroundingPI,研究采用「感知优先」路线,以约40亿参数和纯视觉感知数据训练,在34项公开感知基准中取得73.68分,超过GPT-6 Astra的71.54分。仿真结果显示,该模型能够降低机器人示教成本,并增强面对材质、物体和背景变化时的场景泛化能力,为物理AI的实际部署提供基础。
📄 正文(883 字)
小鹏集团联合北京大学、香港大学等高校研究团队发布具身感知基座模型研究成果 GroundingPI。该模型采用「感知优先」的技术路线,以约40亿参数规模,在34项公开感知基准的综合评测中位列第一,并在机器人仿真任务中展现出更高的数据处理效率和更强的场景泛化能力。 研究团队将 GroundingPI 与 OpenAI 前沿模型 GPT-6 Astra 放在同一套34项感知基准上进行对比。按照11类感知能力等权平均,GroundingPI 得分为73.68,Astra 得分为71.54。 研究认为,具身智能的前提是让机器人准确感知自身与周边物体的空间位置。若模型无法准确定位目标在画面中的位置,即使学习大量动作知识,也难以将能力有效落地。因此,GroundingPI 在训练阶段不使用带关节动作标签的机器人数据,而全部采用无动作标签的纯感知数据,覆盖通用检测、密集小目标、指代定位、文字识别、文档版面、界面元素和机器人空间定位等11类能力。模型首先理解物体是什么以及位于画面何处,并将语言目标对应到具体图像区域。 以定位「右边那个杯子的把手」为例,模型需要用点或边界框标出杯子和把手的位置,而不能仅回答画面中是否有杯子。项目名称中的 Grounding 指向视觉定位能力,PI 则是 Physical Intelligence,即物理智能的缩写。 目前,该研究仍处于科研原型阶段,但仿真实验已针对机器人量化部署中的示教成本和场景泛化问题给出结果。在示教成本方面,机器人通常需要为新任务人工采集大量示教数据;以 GroundingPI 为视觉底座的系统仅使用50%的示教数据,成功率便超过对比模型使用75%数据时的表现。其原因在于,模型承担了传统视觉语言动作模型中物体定位相关的工作,从而减少额外示教需求。 在场景泛化方面,GroundingPI 可帮助机器人应对材质、物体品类、容器和背景等现场变量变化,保持任务执行稳定性。在散料分拣、料箱清点等高密度仿真场景中,系统能够分类并抓取同类工件,快速适应不同物品形态,也为一套模型权重跨工位复用提供了实验支撑。