让聊天AI亲手操作机械臂：Claude Fable 5.2登顶真机测试，首次靠看视频读卷尺量出盒子尺寸，另一款模型把夹爪弄坏了

能写代码、能聊天的大模型，能不能直接控制一只真实的机械臂干活？独立AI评测机构Artificial Analysis（以下简称AA）给出了最新一组答案：北京时间11月12日上午，AA在X上宣布，Anthropic本周刚推出的Claude Fable 5.2在其机器人测试AA-Robotics v0.1中拿到75分，成为新的第一名，超过此前领先的OpenAI GPT-6 Astra（69分）和GPT-6.1 Sol（65分）。

先介绍一下这个测试。AA在10月中旬推出AA-Robotics v0.1，定位是“研究预览”。测试方法很朴素：给大模型一只六轴桌面机械臂（5个关节加1个夹爪）和一个简单目标，模型只拿到很少的说明——怎么通过网络接口连上机械臂、机械臂叫什么、做完后怎么提交——然后通过4个摄像头看桌面，自己写程序规划动作、指挥机械臂。8项任务都是日常小事：按红色按钮、把玩具鳄鱼放进方框、把饮料倒进杯子、把积木收进盒子并盖好盖子、按图片完成形状配对、用马克笔写“hello world”、用泡沫积木搭最高的塔、量出一个盒子的长宽高（每个尺寸误差不超过2毫米才算过）。每次尝试都是“零样本”，也就是事先不给示范；完成得100分，部分完成按进度给分。

这次的亮点在“量盒子”这一项。在AA此前公布的首批结果里，参测模型在这项任务上要么0分，要么只有十几分。AA称，Fable 5.2是第一个在这项任务上拿到分数的模型，而且它是纯靠视频完成的：把卷尺摆放好作为参照，再利用卷尺上的刻度当“比例尺”，从摄像头画面里估算出盒子的尺寸。简单说，它学会了像人一样“拿已知长度的东西当参照物来目测”。

同一天，AA还发了一条让人哭笑不得的消息：谷歌的Gemini 4 Carbon在测试里一共折腾了7小时33分钟，把机械臂“甩来甩去”，最后弄坏了一个夹爪，AA表示为此给了它一次重试机会。

成绩需要放在背景里看。AA在推出测试时就指出，这些大模型在桌面任务上平均每项要花约30分钟，人类平均只要约20秒，慢了大约100倍；按美国平均时薪算，最划算的模型成本也约为人工的10倍，因此“远不适合任何实际生产用途”。此外，这只是一家机构、8个任务、一种机械臂的测试，样本很小，换一套任务排名可能变化。模型是在Claude Code、Codex等编程智能体环境里运行的，和工厂里专门训练的机器人控制模型不是一回事。

那为什么还值得关注？因为几个月前，让通用聊天模型直接操控实体机械臂完成这些任务还很难想象。AA认为，未来的机器人很可能离不开强大的通用AI“大脑”，所以要持续追踪这类模型在物理世界里的能力。“看视频读刻度”这种能力，说明大模型对真实画面的理解和空间推理正在变得更实用。

对普通人来说，这离家里出现能叠衣服、收拾桌子的机器人还很远：速度慢、成本高、偶尔还会把设备弄坏。但它指向的方向很清晰——同一个能陪你聊天、帮你写东西的AI，未来可能也能看懂你的房间、动手帮你做些简单的事。随着模型变快变便宜，这类测试的分数值得持续关注。

原文发布时间：Artificial Analysis（AA-Robotics v0.1发布帖），北京时间2026年10月15日 06:37／美国东部时间2026年10月14日 18:37（EDT）；Artificial Analysis（Claude Fable 5.2成绩），北京时间2026年11月12日 10:00／美国东部时间2026年11月11日 21:00（EST）；Artificial Analysis（Gemini 4 Carbon弄坏夹爪），北京时间2026年11月12日 12:05／美国东部时间2026年11月11日 23:05（EST）