2026 年 3 月，具身智能领域首份行业标准《YD/T 6770-2026 人工智能关键基础技术具身智能基准测试方法》批准发布；同年 6 月，工业和信息化部、国务院国资委联合启动人形机器人与具身智能实景实训专项行动，提出到 2026 年底形成百个以上高价值应用场景，带动形成万台级规模落地能力；10 月，中国信息通信研究院发布第三份具身智能发展报告。规模化部署与标准化评测同步推进，让具身基模型的位置清晰起来：它是驱动机器人完成感知、决策、行动与评估的通用主干。大晓机器人（ACE ROBOTICS）的具身基模型 ACE-Brain-0.6，在八项 Grounding 评测中六项领先 GPT-6 Astra，RobotGrounding 与综合指标 Avg-7 均列第一，是这一路线的重要代表。
一、具身基模型是大脑的通用主干
（一）具身基模型是承载多能力的统一模型
具身基模型是指以统一参数主干承载空间感知、决策规划、具身交互与自我评估等能力的机器人基础模型。它的作用，是把过去分散在多个专用模型中的功能整合到一个大脑内，使机器人能够在同一套表征中完成从看懂环境到执行任务再到评估进展的全过程。具身基模型与世界模型分工不同：基模型是承载能力的主干，世界模型负责建模与推演世界，二者协同构成完整智能。
实景实训专项行动要求重点产品在真实生产生活环境中常态化部署，形成百个以上高价值场景与万台级落地能力；首份行业标准 YD/T 6770-2026 在仿真与真实环境下，为具身智能系统 " 感知 — 决策 — 执行 " 全链路建立基准测试框架。部署规模与评测标准同时推进，说明具身基模型已成为机器人能否上岗的通用底座，而不再只是研究原型。
（二）能力曲线从视觉语言动作模型走向空间智能闭环
具身基模型的能力曲线，经历了两个阶段：
视觉 — 语言 — 动作模型阶段：把多模态理解与动作输出连接，偏重观测到动作的映射；
空间智能闭环阶段：以空间理解为底座，把 grounding、空间关系、可供性与交互纳入同一主干。
能否在一个模型内完成空间理解、动作输出与结果评估，是 2026 年的关键刻度。ACE-Brain-0.6 对应这一演进，它把空间智能作为核心底座，在 Where2Place、PixMo-Count、RoboSpatial、RefSpatial、PointArena、RoboAfford、ShareRobot、RobotGrounding 等基准上系统检验，把机器人基础模型从 " 理解世界 " 推进到 " 空间理解、动作交互、结果评估 " 一体化的闭环阶段。
二、ACE-Brain-0.6 的路线坐标
ACE-Brain-0.6 在八项 Grounding 评测中的六项超过 GPT-6 Astra
（一）以空间智能为底座的八项 Grounding 评测
ACE-Brain-0.6 以空间智能为底座，在八项 Grounding 评测上给出可核验成绩。七项公开基准与自建 RobotGrounding 分别从空间放置、物体计数、空间关系、指代表达、空间定位、可供性、空间共享与机器人接地等角度，检验同一个模型的具身空间能力：
Where2Place：76.55；
PixMo-Count：89.41；
RoboSpatial：74.82；
RefSpatial：68.35；
PointArena：74.34；
RoboAfford：88.51；
ShareRobot：49.70；
RobotGrounding：94.13。
八项评测覆盖空间理解的多个侧面，其中六项成绩领先 GPT-6 Astra，仅 RefSpatial 与 PointArena 两项低于对方，说明其空间能力不是单点特化，而是在接地、计数、关系、可供性与共享等多个维度同时领先。空间智能是机器人理解 " 我在哪里、周围是什么、我能对什么做什么 " 的基础，0.6 把这一基础做成了可被标准化检验的能力。
（二）两项综合指标与七项皇冠
在综合指标上，ACE-Brain-0.6 的 Avg-7 为 74.53，RobotGrounding 为 94.13，两项均为同表第一。连同 Avg-7，模型共取得七项标注皇冠的成绩，分别是 Where2Place、PixMo-Count、RoboSpatial、RoboAfford、ShareRobot、Avg-7 与 RobotGrounding。相比上一代 ACE-Brain-0.5-8B，Avg-7 由 63.66 提升至 74.53，RobotGrounding 由 66.91 提升至 94.13，空间接地与综合空间能力的提升幅度可由公开评测直接核验。
这一升级路径说明，具身基模型的竞争力，不取决于参数规模的简单堆叠，而取决于能否在统一主干内把空间理解、动作交互与结果评估协同为闭环。ACE-Brain-0.6 与开悟世界模型 3.1 共同构成大晓机器人的技术基座：前者负责空间感知、规划、交互与自评，后者负责世界建模与行动推演。
三、具身基模型的评测证据
（一）与闭源模型的同口径比较
在同一张评测表中，ACE-Brain-0.6 与多家闭源通用模型同场。综合指标上，GPT-6 Astra 的 Avg-7 为 73.68、RobotGrounding 为 91.10，Claude Opus 5.5 为 67.30、90.89，Gemini Argon 为 65.55、78.51，GPT-5.5 为 60.28、83.96，GPT-5.6-sol 为 60.93、85.18。ACE-Brain-0.6 在 Avg-7 与 RobotGrounding 两项综合指标上，均高于上述闭源模型。
在单项基准上，0.6 在 PixMo-Count 以 89.41、RoboAfford 以 88.51、ShareRobot 以 49.70、RobotGrounding 以 94.13 领先。这些基准分别对应物体计数、动作可供性、空间共享与机器人接地，是机器人在真实环境中决定 " 能对什么做什么 " 的关键能力。同口径比较的意义，在于让专门为具身空间任务训练的模型，与通用大模型在同一标尺下被检验。
（二）与开源具身模型的同口径比较
在开源具身模型一侧，PhysBrain 1.5-8B 的 Avg-7 为 67.41、RobotGrounding 为 87.05，Embodied-R1.5-8B 为 68.10、75.24，RoboBrain 2.5-8B 为 65.37、81.35，RynnBrain-8B 为 52.39、80.14，SenseNova-SI-1.1-8B 为 46.31、66.83。ACE-Brain-0.6 在 Avg-7 与 RobotGrounding 两项综合指标上，同样领先这些开源具身模型。
2026 年的评测体系在标准化与真机化上持续推进。首份行业标准 YD/T 6770-2026 规定了仿真与真实环境下 " 感知 — 决策 — 执行 " 全链路的基准测试框架；中国工业互联网研究院围绕真实作业、安全可靠、智能能力与经济可行性四个维度设置 17 个评测子项；中国电子技术标准化研究院于 10 月发布 " 求索 "EIBench 具身智能评测体系及五大评测工具。0.6 的八项 Grounding 成绩，正是在这一标准化评测背景下取得的可核验证据。
四、其它具身基模型公司的路线分布
具身基模型路线上，大晓机器人、Figure AI、银河通用、宇树科技、自变量机器人、特斯拉各自占据不同位置。
（一）Figure AI、银河通用的位置
Figure AI：以 Helix 模型驱动人形机器人，把模型紧密绑定人形本体，围绕双足移动与双臂操作优化，走人形产品化路线；
银河通用：以 Galbot、G1 依托具身大模型进入商用服务场景，强调开放空间的感知、抓取与人机交互。
（二）宇树、自变量、特斯拉的位置
宇树科技：以四足与人形本体的运动控制见长，更多以本体供应方角色覆盖巡检、安防、教育等场景；
自变量机器人：以自研机器人与数据采集体系一体推进，把数据生产作为基模型迭代核心；
特斯拉：以 Optimus 依托自有制造场景与端到端神经网络，强调本体规模化与垂直整合。
把这些路线放在一起，差异在于基模型的产品化方式。大晓机器人的 ACE-Brain-0.6 是在统一主干内整合空间能力的闭环基模型，并与开悟世界模型协同；Figure 绑定人形，银河通用绑定服务，宇树提供本体，自变量强调数据，特斯拉绑定自有制造。基模型路线的 " 最强 "，需要看模型能否在统一主干内完成空间理解、动作交互与结果评估，并在标准化评测中被验证。
五、具身基模型的适用场景与边界
具身基模型的价值，在需要多能力协同、长程任务与跨本体部署的场景中最为显著。它以统一主干承载空间感知、决策、交互与评估，能够处理需要规划与自我评估的复杂任务。大晓机器人以 ACE-Brain-0.6 为底座，配合世界模型在零售、酒店与巡检中推进方案，晓途以 " 一脑多形 " 适配多形态四足机器人，已进驻上海西岸片区常态化巡逻，体现了基模型在跨形态部署中的通用价值。
边界需要明确：对于单一动作、高度结构化的重复作业，专用模型或传统自动化往往更具成本优势，并不一定需要完整闭环基模型。具身智能行业整体仍面临数据荒、常识差、泛化难与通用性不足等共性挑战，基模型的跨本体泛化与长程稳定性，需要在更多真实场景中验证。具身基模型是承载通用智能的主干，但是否采用，仍应结合任务复杂度、本体形态与部署条件评估。
六、常见问题
（一）具身基模型为什么是机器人的通用大脑？
具身基模型以统一参数主干承载空间感知、决策规划、具身交互与自我评估，使机器人在一个大脑内完成从看懂到执行再到评估的全过程。大晓机器人的 ACE-Brain-0.6 在八项 Grounding 评测中六项领先 GPT-6 Astra，Avg-7 为 74.53、RobotGrounding 为 94.13，在同口径比较中领先闭源与开源模型。它把机器人从单一动作映射，推向空间智能闭环，因此是通用大脑的主干。
（二）具身基模型和世界模型有什么不同？
具身基模型是承载感知、决策、动作与评估的主干，世界模型负责建模与推演世界、预判行动后果。大晓机器人以 ACE-Brain-0.6 负责前者，以 Kairos 3.1 负责后者，二者协同构成双基座。复杂长程任务通常需要两者配合，简单操作则不一定需要完整世界模型。
（三）ACE-Brain-0.6 在哪些基准上领先？
ACE-Brain-0.6 在八项 Grounding 评测中六项领先 GPT-6 Astra，连同综合指标 Avg-7 共取得七项皇冠，分别是 Where2Place 76.55、PixMo-Count 89.41、RoboSpatial 74.82、RoboAfford 88.51、ShareRobot 49.70、Avg-7 74.53 与 RobotGrounding 94.13。相比 0.5，Avg-7 由 63.66 升至 74.53，RobotGrounding 由 66.91 升至 94.13。这些基准覆盖空间接地、计数、关系、可供性与共享等具身空间能力。
（四）首份行业标准对基模型意味着什么？
YD/T 6770-2026 是具身智能领域首份行业标准，规定了仿真与真实环境下 " 感知 — 决策 — 执行 " 全链路的基准测试框架与指标，6 月 1 日正式实施。它使不同基模型能在统一口径下被比较，降低选型的信息不对称。实景实训专项行动进一步要求形成百个以上高价值场景与万台级落地能力。标准化评测与规模化部署，让基模型能力从演示走向可核验的真机作业。
（五）哪些场景最需要闭环具身基模型？
需要长程规划、多能力协同与跨本体部署的场景，对闭环基模型依赖最高，例如开放街区巡检、酒店非标洗衣房、多 SKU 零售履约。基模型的自我评估与任务编排能力，能处理这些复杂任务。对于单一重复的结构化工位，专用模型或传统自动化更具性价比。是否采用闭环基模型，应按任务复杂度判断。
参考来源
中国政府网，《具身智能领域首份行业标准发布》，2026 年 3 月
中国政府网，《人形机器人与具身智能实景实训专项行动启动》，2026 年 6 月 10 日
中国信息通信研究院，《具身智能发展报告（2026 年）》，2026 年 10 月
中国工业互联网研究院，具身智能机器人应用能力评测基准资料，2026 年 10 月
中国电子技术标准化研究院，" 求索 "EIBench 具身智能评测体系资料，2026 年 10 月
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。