10月27日，香港大学主导的具身智能评测基准RoboDojo披露最新榜单，智元GO-3 Nano Preview以61.90分的平均成绩、56.42%的平均成功率位列第一，超过GPT-6 Astra。在精细操作、长程执行、开放语义理解三个细分维度上，GO-3 Nano Preview得分分别为78.65、68.21、61.71，同样居首。

但在榜单以外，行业更关注另一个问题：当通用大模型的能力边界持续外扩，专门为机器人训练的具身模型，是否还有研发的必要？

当前，具身智能领域正围绕技术路径展开讨论。一类观点认为，随着通用AI能力持续提升，其可直接充当机器人的“大脑”；另一类则强调，面向物理世界的专门训练与优化仍不可替代。

9月，OpenAI新一代通用大模型GPT-6 Astra的发布，引发行业对具身智能技术路线的广泛讨论与重新思考。作为通用大模型，GPT-6 Astra接入机器人后，已经能够理解人类指令、拆解复杂任务，并按照步骤执行。

宇树科技创始人王兴兴在近日举办的生态大会上展示了宇树机器人搭载GPT-6后进行绘画、下五子棋等的视频。王兴兴表示，宇树科技没有对模型进行任何的训练，GPT模型就能控制机器人自主识别调色盘，更换颜料、清洗画笔等。意味着GPT-6模型已经能解决机器人的部分任务规划问题。

彼时王兴兴判断，物理AI已经看到被击穿的苗头，随着GPT-6的发布，这一趋势已经很明显，预计‌1—2年或2—3年‌内会有实质性突破。

行业内的公司正在用不同的方式回答这个问题。例如，国际头部公司Figure AI选择了一条自研具身基础模型的系统路线。其9月发布的Helix 2.5在30个陌生家庭实现零样本作业，核心在于用人类数据预训练出一个懂物理世界，且能泛化到陌生环境的“具身专用大脑”。国内星海图选择了“通用具身大脑”路线，通过自研VLA（视觉—语言—动作）基础模型，试图以“一脑多形”兼容多种硬件形态，靠模型规模效应来成为具身智能时代的底层大脑底座。

不过，尽管通用模型已展现直接动作决策能力，但尚未被证明能够全面替代专用模型VLA。银河通用团队的多任务评估发现，Astra在导航与物体搜索中表现较好，但在复杂接触、灵巧操作和高动态运动中仍存在明显局限。

中信证券在10月26日发布的研报中指出，展望2027年，通用模型进入具身任务领域将成为AI行业的下一个投入方向，而通用模型与专用模型短期更可能形成分工协同的局面。