一个只有 90 亿参数的小个子,在机器人看懂世界这件事上,把 GPT-6 比下去了?你让家里的机器人把桌上那个红杯子递给我。这句话对你来说简单到不用想。可对机器人来说,它得先弄明白:画面里哪个东西是杯子?哪个杯子是红色的?桌上有两个红杯子怎么办?要是根本没有红杯子呢?它会不会瞎指一个,假装自己找到了?这个从一句话,精准找到画面里对应位置的能力,在 AI 圈有个专门的名字,叫空间定位(Spatial Grounding)。你可以把它理解成机器人的眼力加指哪打哪的本事。为什么这件事突然重要了?这两年,AI 会写诗、会写代码、会考试,大家已经见怪不怪。但让 AI 走出屏幕,变成能叠衣服、能收拾桌子、能在工厂里干活的机器人,卡住大家的往往不是脑子不够聪明,而是手伸不准。它知道把衣服叠整齐,却不知道衣服的边角具体在画面哪个位置。它知道把水果放进篮子,却不知道篮子的边沿到底在哪、哪块空地才放得下。所以,让 AI 学会看准,是机器人从实验室走向生活的关键一步。这次的主角:ACE-Brain-0.6最近,ACE Robotics(联合了南洋理工大学、商汤研究院、上海交大、四川大学等机构的研究者)开源了一个叫ACE-Brain-0.6的模型。它做的就是上面那件事:给它一张(或几张)图,再用人话问它问题,它能告诉你答案在哪里。它能做这些事:找东西:指出图里的红杯子,它会给你一个坐标点或一个框。数东西:桌上有几个苹果?它直接回答一个数字。懂空间:杯子在盘子左边吗?它回答 yes 或 no。找操作点:我该抓哪里才能拿起这个锅?它指出锅柄。说没有:如果图里根本没有你要的东西,它会老实回答 none。最后一点特别重要。很多 AI 最大的毛病就是不懂装懂,明明没有也要瞎指一个。敢说没有,恰恰是机器人安全干活的前提。最大的看点:小模型打赢了大模型?这个模型只有90 亿参数,在今天的 AI 世界里属于轻量级选手。它的对手呢?GPT-5.5、GPT-5.6-sol、GPT-6 Astra、Claude Opus 5.5、Gemini 4 Argon,几乎是目前能找到的顶级闭源模型阵容。结果怎么样?在 7 个公开的空间定位测试里,把成绩取平均:ACE-Brain-0.6:75.41 分GPT-6 Astra:73.68 分Claude Opus 5.5:67.30 分Gemini 4 Argon:65.55 分GPT-5.6-sol:60.93 分GPT-5.5:60.28 分它在7 项里赢了 GPT-6 Astra 其中的 4 项。另外,团队自己设计了一个叫 RobotGrounding 的机器人场景考试,共 2591 道题,题目全部来自没参与过训练的机器人画面。ACE-Brain-0.6 拿了93.42 分,同样排在所有对比模型的第一位。但是,先别急着喊GPT-6 已死它不是全面碾压。7 项里有 3 项输给了 GPT-6 Astra,分别是数数、复杂指代和 PointArena。其中最大的差距在 RefSpatial:71.84 对 80.14,差了 8 分多。在某些单项上,它也不是第一。比如 RoboSpatial 这一项,Gemini 4 Argon 的 80.94 分就比它的 76.56 高。自家考试要打折看。RobotGrounding 是团队自己出的题,虽然题目没参与训练,但自己出题自己考和第三方裁判的公信力总归不同。最关键的一点:论文自己也明确说了,这些测试衡量的是看得准不准,不等于机器人真的能把活干成。从指对位置到真的抓起来、放好、叠整齐,中间还隔着很长一段路。所以更准确的说法是:一个 9B 的小模型,在看准这一项专业技能上,摸到了顶级闭源大模型的水平线,甚至在好几个科目上超过了它们。这已经足够让人意外了。它是怎么做到的?秘诀不是更大,而是更会喂这才是整件事里我觉得最有意思的部分。团队没有去造一个更大的模型,而是找了一个现成的 90 亿参数开源模型(Qwen3.5-9B)做底子,然后给它喂了约 150 万个训练样本,总共约 341 万组问答。关键不在量,而在数据怎么做出来:数据来源很杂:机器人操作录像、第一视角生活录像、物体和零件标注、空间关系数据都有。全部转换成统一的问答格式,答案都是能被核对的,不是AI 说了算。数数题要求必须数全,少一个都算错。没有这个东西的题,会专门拿图片里的物体清单去核实。测试用的图片和机器人录像全部从训练数据中剔除,防止考前泄题。用大白话说:不是让学生刷更多题,而是让他刷有标准答案、有人批改、没有重复的好题。还有一个有意思的发现:数据越多样,AI 越准团队做了个实验:保持模型和训练方法不变,只让数据从 26 万条一点点增加到 155 万条,平均分从69.3 涨到 75.4。大致规律是:数据量每翻一倍,平均分涨约 2.4 分,而且曲线非常平滑。但这里有个细节特别值得说:团队还做了对照实验。如果只是把已有来源的数据堆得更多,分数涨幅不到 1 分。也就是说,真正管用的不是更多,而是**更不一样**。这对整个行业都是一个提醒:AI 想学会物理世界,光靠大力出奇迹可能不够,数据的覆盖面和多样性才是关键。模型与训练基座:Qwen3.5-9B,多模态视觉语言模型训练方式:仅对答案 token 做 SFT(监督微调),训练 1 个 epoch视觉编码器冻结,只更新语言模型部分的参数序列长度 16,384 tokens,峰值学习率 1×10⁻⁵推理时使用 non-thinking(非思考)模式,不靠长链条推理出答案把定位统一成条件文本生成问题,不需要额外的检测头统一输出接口坐标全部归一化为[0, 1000] 的整数,模型只需要用文字说出答案:单个点:[x, y]多个点:[[x, y], ...]框:[x1, y1, x2, y2]数量:一个整数判断:yes / no / none自动标注流水线从机器人轨迹中挑选关键帧为每个场景建立专属的物体词表用Grounding DINO和SAM 3做定位和分割通过语义重标注修正物体名称,同时保持框的数量和几何位置不变自动生成六大类问题,再做一致性检查和答案形式的平衡几个值得注意的数据相比基座模型 Qwen3.5-9B,Avg-7 从 65.72 涨到 75.41,提升 9.69 分7 项公开测试里,有 6 项相比基座有提升;但PixMo-Count 反而从 90.35 降到了 86.96,说明专项训练带来了一点代价提升最大的能力是**识别不存在的物体或属性和跨视角对应**在每个实例都要指出和由关系定义的目标这两类题上,GPT-6 Astra 仍然领先Where2Place(找空位放东西)81.44,比第二名的 71.20 高出 10 分以上,这是它最亮眼的一项局限性(论文自己也承认)空闲区域的定位只是2D区域,不代表在 3D 空间里真的放得下基于框的点是否命中判断,对细的、空心的物体偏宽松评测使用 temperature 0.2 和 128 token 的输出上限(PixMo-Count 用 1024)项目主页上的论文、数据集链接仍标注即将发布,arXiv 编号也还在待定状态开源信息模型权重已上传 Hugging Face(ACERobotics/ACE-Brain-0.6-9B)模型采用 MIT 许可证,仓库使用 Apache-2.0支持 Transformers、vLLM、SGLang 部署,上手门槛不高技术报告 PDF 已在 GitHub 提供我自己读完这个项目后,最大的感受不是又一个模型超越了谁,而是:机器人时代的竞争,可能不再只是谁的脑子大,而是谁的眼睛准、手上有数。一个 90 亿参数的开源模型,凭着扎实的数据功夫,在这个关键环节上追上了顶级闭源模型,这件事本身,就值得被更多人看见。当然,看得准离干得好还有很远。但每一次这样的进步,都是在把那个家里有个机器人帮你收拾桌子的未来,往现实拉近一点点。更多transformerVITswin tranformer 参考头条号人工智能研究所 v号人工智能研究Suo, 启示AI科技动画详解transformer 在线视频教程