具身 · 一百零八次做成一百零四次，代价是每次等二百八十秒

一百零八次做成一百零四次，代价是一次成功平均等二百八十秒，其中二百一十一秒在想。

厨房里有两种人。一种背熟了几十道菜谱，起火到装盘一气呵成，菜单之外就抓瞎。另一种手边摆着相机、量尺和一沓草稿纸，来什么菜现想现做，会自己找藏在柜子里的东西，也会拿手边的物件当工具使，慢得让人想催。苹果那篇机器人论文测的是后一种，而且特意不给它现成的抓取、推动与放置技能。

arXiv:2611.09892 的 v1 是 11 月 6 日 18:59 UTC 提交的，13 位作者，含 Chen Chen、Omid Bagherieh、Matthias Müller 与 Vladlen Koltun，代码和视频放在 apple-aiml-research.github.io。多家二手站写 11 月 9 日，那是收录与传播的日子，不是提交日。论文给这套框架起名 AMP1，全称 Agentic Manipulation Policies，一套 harness 不改一行就能跑单臂、双臂和移动操作。

零样本，零示范，零专用技能

专用策略这一侧，VLA 把相机画面加一句指令喂进去，直接吐动作；WAM 再多学一个世界怎么变化的模型。两者都吃大量机器人专属训练数据。AMP1 换了个位置：通用大模型拿到三路相机（两路肩视角加一路腕视角），彩色与深度图，相机标定，还有关节状态和夹爪状态，外加一个保持状态的 Python 解释器，自己写技能，自己跑，看结果，再自己改。

harness 里没有抓取或推动的原语，放置也得自己写。论文统计了 1,200 个 RoboLab episode 里自己长出来的行为：66% 的 episode 会在放置前量一下容器，61% 会把抓取方向与物体轴对齐，47% 会推理物体的长短轴，40% 会在 harness 拒绝一段运动后读原因修计划，39% 在运动执行失败后先诊断再重排。

有一处消融特别值得抄。给最强的四个模型加辅助技能，成绩全部变差，最多掉 7.5 个百分点；给最弱的六个模型加，全部改善，最多涨 17.6 个百分点。作者的解释是辅助例程把失败藏了起来，内部悄悄重试，只回报成没成，模型看不到每个原子动作的结果，也就来不及纠。这个结论对眼下"给 agent 多塞工具"的风气是个提醒，工具该给到看得见反馈的那一层。

一百零八次里，谁成了多少次

RoboLab-120 是仿真基准，120 个自然语言任务，每任务 10 个 episode，按默认、模糊与具体三种指令条件各跑 1,200 次，合计 3,600 次。真机是 12 个任务、3 台 Franka Research 3 机械臂，每任务 9 次，合计 108 次。两组数看着都带 49 和 42，量纲完全不同。

仿真里的 49.2% 与 42.9% 是百分比；真机里的 49 与 30 是成功次数，换回百分比是 45.4% 与 27.8%。论文摘要那句"失败率降 20 倍与 15 倍"也能自算：π0.5 失败率 72.2% 除以 AMP1 的 3.7% 约 19.5，FLUX 的 54.6% 除以 3.7% 约 14.8。有意思的是，摘要与引言里 15 倍、20 倍的对应顺序写得不一致，但按 VLA 与 WAM 分别指代，含义对得上。

速度那一行别跳过去。AMP1 平均一次成功要 280 秒，其中 211 秒花在模型推理，基线的 62 秒和 44 秒快得多。作者自己给的判断是：一半任务都做不成的策略，再快也不实用。仿真评测里模拟器在 agent 思考时是暂停的，只有执行动作计入时限；真机那 211 秒是实打实等在那里的，两个时间口径不能并排比。

分数接近满分时，剩下的是什么

CaP-Gym 那几组数更整齐：LIBERO-PRO 95.2%，robosuite 700 次全中，BEHAVIOR-1K 48/50 得 96.0%。LIBERO-PRO 上 HarnessPAI 报 96.5%，比 AMP1 高，论文点明它在评测集内的种子上演化程序，还用了按该基准 verifier 判定成功而微调的 VLA，因此不算同一口径的零样本。

作者对剩余失败写得很坦白。RoboLab-120 默认条件下 Gemini 4 Argon 失败 173 次，其中 121 次可归因于基准本身：77 次是物体几何或质量让标准平行夹爪根本夹不起来，44 次是 verifier 拒绝了看起来合理的终态；剔掉这些伪影的 95 个任务上，成绩是 96.2%（914/950）。LIBERO-PRO 里多数失败是 AMP1 自认为做成了，而基准的检查器与人对指令的自然理解不一致，比如灶台哪一侧算正面、抽屉要拉多远。

传感输入的差距也被消融挡回去了。AMP1 用 RGB 加深度加相机标定，典型 VLA 只有 RGB；Opus 5.5 去掉直接深度仍有 81.1%，只用 RGB 有 75.8%，换成纯文字描述掉到 36.8%。作者据此说更丰富的输入解释不了全部差距，同时把"文字描述丢掉几何细节"这一条摆上了台面。

记忆那条线也值得单记。RoboDojo 是 42 个双臂任务，零样本 26.4%，每个任务练 5 次、总预算 48 个 episode 之后到 84.1%，失败率降 4.6 倍（73.6 除以 15.9 约 4.6）。全程不做梯度更新，也没有专家示范，只有一个跨 episode 带下去的持久记忆文件夹，里面装笔记、代码和数据。到第二轮时 42 个任务里已有 39 个在记忆里存下了代码库，模型调用次数约减半。这是系统层面的学习，模型权重一个字节没动。

边界写在论文里

作者列的限制比多数论文直白：慢，机器人每个 episode 大半时间在等模型；一段轨迹执行途中不能重规划，评测基本是准静态场景，移动目标或打滑的物体可能要求在下一次模型回合之前就反应；离 mission-critical 场景还远。那句总结值得原样记："专用策略速度快但不可靠，AMP 可靠但慢。"

收在这儿就够了。这套 harness 证明的是通用模型在不动权重、不给示范的条件下能把机械臂使唤起来，并且知道自己错在哪。它还没有证明这套办法能在流水线节拍里活下来。把 96.3% 与 280 秒放在同一行读，比单挑一个数字诚实。

同一天还翻到

信源与限定：arXiv:2611.09892 v1，2026-11-06 18:59 UTC 提交，cs.RO / cs.AI / cs.CV / cs.LG，13 位作者；文中全部数字出自该论文摘要、HTML 正文的消融与失败分析、Methods 与 Limitations。二手站 arxivsignals 标注的 2026-11-09 为收录日。仿真评测中模拟器在 agent 推理期间暂停，只有执行动作计入时限；真机 280 秒含 211 秒推理，两种时间口径不可直接比较。论文自陈尚未达到 mission-critical 部署条件，代码与仿真数据已公开但本文未独立复跑。

#具身智能 #机器人操作 #零样本 #口径核对