桌面上放着一只芥末瓶，机械臂伸过去，够不到。按照惯常的逻辑，任务失败，或者请求人类干预。 但这次它没有停。 它在周围扫了一眼，找到一把木勺，伸手把芥末瓶拨倒，然后换了个角度，抓住了瓶盖，把它放进碗里。 苹果 11 月 6 日发布的机器人操控论文 AMP1（Agentic Manipulation Policies 1）记录了上述片段。没有人在提示词里告诉它可以借助工具，也没有人为它编写对应的子程序。 从拍照到写 Python，再到计算末端轨迹、执行、复查，全程只有一个通用大模型在控制。 论文传送：https://arxiv.org/abs/2611.09892 类似的场景还有：目标物体被遮挡时，它会主动搬走挡路的东西，然后重新扫视；一颗石榴太宽，标准平行夹爪抓不起，它把石榴顶在重物上固定，再用夹爪从下面兜起来，像铲车一样；真机上动作出现偏移，它比对图像和指令位置，诊断出是相机标定误差，自行修正参数后继续；下完一盘国际象棋，把棋子放回对应的抽屉里关好。 AMP1 的思路不是近两年机器人领域的主流思路。 视觉-语言-动作模型（VLA）和世界动作模型（WAM）的核心逻辑是数据驱动：用大量机器人示教录像训练一个专用策略，把观察直接映射到动作。而 AMP1 让通用大模型实时看图、写代码、下发轨迹，每次都从零开始，不依赖任何预设技能或专项训练数据。 论文把这类方案统称为 「Agentic Manipulation Policies」 。 在 RoboLab-120 仿真基准的 120 个任务里， Gemini 4 Argon 搭配 AMP1 框架成功率是 85.6%，Claude Opus 5.5 配套时为 82.8%； 当时排行榜上最强的 VLA 和 WAM 分别是 49.2% 和 42.9%。 真机测试（Franka 机械臂，12 个任务，共 108 次试验）中，AMP1 开启错误恢复功能后成功 104 次，成功率 96.3%；不开启时为 94 次，对应 87.0%。对比组里，FLUX 3 Action 成功率 45.4%，π0.5 为 27.8%。 大模型坐进驾驶舱 AMP1 的基本架构可以用四个词概括：观察、推理、执行、复查。 每一轮，模型从三个摄像头读取图像，获取深度信息和相机标定参数，然后写 Python 代码计算末端执行器的运动轨迹，先预览确认可达，再下发给机械臂，动作结束后再拍一次照，决定下一步。 论文统计了 AMP1 在仿真任务里反复发明的基本动作模式：约 61% 的任务里它会先用点云对齐抓握轴，66% 的任务会先测量容器尺寸，40% 的任务里会在动作被系统拒绝后自行修复计划，39% 的任务会在动作失败后先诊断原因再重规划。 同一套框架下，各模型在仿真基准上的表现差距相当明显。Opus 5.5 在仿真基准里的成功率是 82.8%，Haiku 5.5 是 51.6%，更旧的 Opus 4.5 只有 35.2%。 从感知角度看，去掉深度信息后，Opus 5.5 的成功率几乎没差，只从 82.8% 降到 81.1%。代价是它需要更努力地「想」，这表现为每个任务平均调用模型的次数从 34.8 次增加到 46.3 次。 但弱模型就不行了。去掉深度和标定信息后，Haiku 5.5 的成功率从 51.6% 直接掉到 10.7%。就算再多给它推理计算量，也无济于事。 论文还测试了把图像替换成文字描述的方案，结果与此前部分工作的建议相反：Opus 5.5 在只收到文字描述时，成功率大致减半。视觉里包含夹爪与物体的几何对齐细节难以通过语言准确传达。 给 AMP1 加上跨回合持久记忆之后，在双臂操控基准 RoboDojo 的表现变化更明显。零样本成功率从 26.4% 升至 84.1%，超过了当时排行榜首位的 68.9%。 连续学习实验里，把 42 个任务按随机顺序各走一次，整体成功率从 26.4% 升到 57.6%，更早任务积累的经验对后续没见过的任务也有迁移效果。 AMP1 也让我联想到 VIA（Visual Interface Agent）与 CaP-X（Code-as-Policy）。 VIA 就试图绕过传统机器人必须依赖大量动作数据训练的路线，让 Claude Code、Codex 这样的 AI Agent 直接操纵现实世界中的机器人。CaP-X 探索了用 Gemini-3-Pro 和 Claude Opus 4.5 完成长程操控任务，同样不需要后训练。 图源：VIA: Visual Interface Agent for Robot Control https://via.hengyuanhu.com/?utm_source=chatgpt.com 国内从业者的一些梳理指出，机器人示教数据的采集成本高、泛化差的问题始终存在。 AMP