研究解读 · 神机百见-具身解读

28 项基准拿下开源第一的 PhysBrain 1.5：那 0.8 分的差距，测的到底是不是动手能力

深度机智 PhysBrain 1.5 的 8B 版在 28 项具身基准上拿 72.5 分，与 GPT-6 Astra 只差 0.8 分。但把 28 个基准名字逐个摊开会发现：它们测的都是「看图答题」的空间理解与规划，没有一项是真机操作成功率。这不是泼冷水，是搞清楚这个分数能兑换什么。

一分钟速览
  1. 成绩：9 月 9 日发布的 PhysBrain 1.5，8B 版在 28 项具身空间智能与规划公开基准上取得 72.5 综合均分，其中 14 项开源最佳、10 项开源第二；3 天下载量超 3000。
  2. 闭源对照：同表 GPT-6 Astra 73.3、Gemini 3.6 Flash 73.0——差距收窄到 1 分以内；最强开源对手 Hy-Embodied-VLM-1.0（30A3B）为 66.0，落后 6.5 分。
  3. 小版本更值得看：2B 版拿 66.6 分（官方规则不参与排名），数值上仍高于所有其他非 PhysBrain 开源参评模型——参数砍到四分之一，只掉 5.9 分。
  4. 动作维度的证据：团队内部实验称动作预测能力从 24% 提升至 54%；Human-as-Humanoid 原始示范吞吐量达遥操作的 4.8—7.2 倍。
  5. 判断：这 28 张卷子考的是「看懂物理世界」，不是「在物理世界里动手」——把 BLINK、CV-Bench、MMSI-Bench 这类基准的高分，直接读成操作能力强，是这轮叙事里最大的一次口径滑移。
数据来源与边界
本文事实以量子位与中关村科学城 2026-09-09 的报道（含完整 28 项基准分项表）、深度机智官方技术说明为基底，交叉FutureX Physical AI Daily Issue 119（09/14 期） 的英文复核条目与 AI Market Watch 的公司档案页。素材时间窗为 2026-09-13 18:00 → 2026-09-14 09:00：模型于 09-09 发布，早于本窗口；本窗口内可定位的新增量是 FutureX 09/14 期明确标注该组基准为 vendor-reported（厂商自报），以及 AI Market Watch 给出的第三方公司档案（成立于 2025 年、累计融资约 5000 万美元）。核查方式与不确定边界：① 72.5 分及各分项分数全部来自项目方自测与自报，未见第三方独立复现，FutureX 与 AI Market Watch 均就此给出明确警示；② 榜单中 GPT-6 Astra、Gemini 3.6 Flash 分数系项目方引用对比，非同一评测运行下的结果，评分设置（low think / minimal think）由项目方标注；③ 2B 版 66.6 分按官方评测规则不参与开源排名，本文的数值比较仅作参考；④ 「动作预测 24% → 54%」「示范吞吐量 4.8—7.2 倍」均为团队内部实验口径，未公开评测协议、样本量与失败定义；⑤ 公司成立时间与累计融资额来自第三方数据库，未经公司方面确认；⑥ 本文对 28 个基准属性的归类，依据的是基准名称与其公开定义的常识性判断，未逐项查阅原始论文。所有判断均以「判断：」标注。
本文事实信息来自上方标注的公开来源；解读、判断与延伸部分为作者个人见解，写作过程使用了 AI 工具辅助整理，已由作者人工核实，不代表信息来源方立场。如有雷同纯属巧合；如涉及版权或权益问题，请联系 shenjibailian@shenjibailian.com，我们将在核实后及时删除或更正。
1先把这张榜单原样摆出来

9 月 9 日，北京海淀的深度机智（DeepCybo）发布物理基座模型 PhysBrain 1.5，同时开源技术报告、2B 与 8B 两档权重，以及一套评测工具包。核心成绩一句话：8B 版在 28 项具身空间智能与规划基准上拿到 72.5 的综合均分，居参评开源模型首位。

GPT-6 Astra（闭源）
73.3
Gemini 3.6 Flash（闭源）
73.0
PhysBrain 1.5 · 8B
72.5
Claude Opus 5（闭源）
67.9
PhysBrain 1.5 · 2B
66.6
Hy-Embodied-VLM-1.0（30A3B）
66.0
Embodied-R1.5（8B）
64.9
RynnBrain 1.1（9B）
63.1
28 项具身空间智能与规划基准综合均分。深蓝为 PhysBrain 1.5，灰为闭源模型，蓝灰为其他开源参评模型。全部数值为项目方自报，未获第三方独立复现。

有两个数字值得单独说。第一个是 0.8 分——72.5 与闭源最强的 GPT-6 Astra（73.3）之间的差距。放在两年前，开源具身模型与闭源前沿之间还是两位数的分差，现在被压到 1 分以内。

第二个是 2B 版的 66.6 分。按官方评测规则，2B 版本仅作参考、不参与开源排名。但只比数值的话，它已经超过表中所有其他非 PhysBrain 的开源参评模型，包括 30A3B 的 Hy-Embodied-VLM-1.0（66.0）、8B 的 Embodied-R1.5（64.9）和 9B 的 RynnBrain 1.1（63.1）。参数从 8B 砍到 2B，只掉 5.9 分，却仍站在所有对手之上——这说明 2B 版不是 8B 的「展示性缩小版」，而是同一技术路线同时覆盖了性能上限和轻量部署两个方向。对开发者而言，后者的意义可能更大：一个能在边缘设备上跑起来的具身理解底座，比一个只能放在服务器上的榜单冠军有用得多。

2把这 28 张卷子逐个翻一遍

现在做一件很少有人做的事：把这 28 个基准的名字摊开看，它们到底在考什么。

能力维度代表性基准它实际在考什么
基础视空感知BLINK、CV-Bench、3DSRBench看图判断深度、尺寸、空间关系
空间与多视角理解EmbSpatial-Bench、MindCube、MMSI-Bench、VSI-Bench跨视角推理、空间想象、多图一致性
具身认知与规划EgoPlan-Bench2、ERQA、RoboVQA、VLABench给定第一视角画面，回答「下一步该做什么」
空间指向与可供性Part-Affordance、RoboAfford、Where2Place、RoboRefit指出「哪里可以抓、放在哪」
视觉轨迹推理ShareRobot-Traj、VABench-V-Trace根据画面判断轨迹是否合理
表：PhysBrain 1.5 评测覆盖的五类能力与代表性基准。归类与释义为本文依据基准公开定义的整理，供读者判断分数含义，非项目方原始分类表述。

看出来了吗？这 28 项全部是「给模型看一张图或一段视频，让它输出一个答案」的评测——输出的是坐标、选项、轨迹描述或语言回答，不是发给电机的控制指令。BLINK 考相对深度判断，MMSI-Bench 考多图空间一致性，RoboVQA 考视频问答，Part-Affordance 考「这个物体的哪个部位可以操作」。

这些能力重要吗？极其重要。一个连「杯子把手在哪里可以抓」都判断不对的模型，不可能完成任何操作任务。Part-Affordance 84.0 分、RoboRefit 89.8 分，说明的是模型对物理世界的理解水位确实上来了。

判断：但「理解哪里可以抓」和「真的抓起来了」是两件事，中间隔着整个运动控制与接触力学的鸿沟。把 28 项 VQA 类基准的均分，读成机器人操作能力的排名，是这轮叙事里最大的一次口径滑移。这不是深度机智一家的问题——整张榜单都是这么设计的，行业目前也确实没有更好的公开标尺。
3反过来看闭源模型：那次机械臂实验的两个数字

要理解「理解」与「操作」的落差有多大，可以借一个第三方的对照实验。Robocurve 把 GPT-6 Astra 直接部署到真实机械臂上，做了两类任务：

积木放入碗 · 20 次

GPT-6 Astra 成功 19 次，成功率 95%；对照组 Claude Fable 5.1 完成 8 次。

模型读取摄像头画面与机器人自身状态，输出末端位姿与夹爪指令，并靠实时视觉反馈迭代调整。

拼图块对位插入凹槽

同一套测试，GPT-6 Astra 成功率从 95% 掉到 10%。

毫米级精细装配任务，需要精确的接触判断与力反馈，通用理解能力在这里几乎帮不上忙。

这组对照把问题说得非常清楚：通用多模态理解可以跨越「看懂」到「粗动作」的鸿沟，却在「精细接触、精准插入」面前止步。而 PhysBrain 1.5 的 72.5 分，测的是前一半能力；后一半能力，在这张榜单里没有对应的格子。

那么深度机智在「动作」这一侧到底有什么公开证据？有两条，都需要标注口径：

其一是动作预测能力从 24% 提升至 54%——这是团队内部实验的数字，未公开评测协议、样本量与失败定义。其二是 Human-as-Humanoid 研究：把同步采集的第一视角与外部视角人类视频，转化为适配 Prime U（60 自由度拟人本体）的动作训练数据，原始示范吞吐量达到遥操作的 4.8—7.2 倍，部分任务无需目标机器人本体示范即可实现零样本迁移。

第二条比第一条更有分量，因为它解决的是具身智能最贵的一环：数据从哪来。如果人类视频能以 4.8—7.2 倍于遥操作的效率转成训练数据，那么「逐条采集机器人示范」这条最烧钱的路径就有可能被绕开。当然，这个倍数同样出自团队自己的测算。
4该把这个 72.5 分放在什么位置

把上面几层叠起来，可以得到一个相对公平的读法。

站得住的部分：在「空间理解与可供性判断」这个明确的能力切面上，一个 8B 的开源模型确实追到了闭源前沿 1 分以内，而且 2B 版本仍高于所有其他开源参评模型。技术报告、两档权重、评测工具包全部开放，社区可以自行复现——这一点本身就比多数只发公关稿的发布要扎实。

需要打折的部分：全部分数为厂商自报，FutureX 与 AI Market Watch 都明确给了 vendor-reported / company-reported 的标注，未见第三方独立复现；闭源对照分数是项目方引用的对比值，不是同一评测运行下的结果；而「动作预测 24% → 54%」这条唯一的动作侧指标，是未公开协议的内部实验。

判断：PhysBrain 1.5 真正的位置，是把开源具身模型的「理解层」水位推到了与闭源前沿持平，同时用 2B 版本证明了这条路线可以下沉到边缘部署。但它还没有回答那个更难的问题——理解到位之后，手能不能跟上。行业缺的恰恰是后者对应的公开标尺：一份像这 28 项基准一样，能让所有人对着同一套协议报真机操作成功率的榜单。

顺带记一笔公司侧的信息：第三方数据库 AI Market Watch 的档案显示，深度机智成立于 2025 年、累计融资约 5000 万美元。这与公开材料中「2025 年 10 月 10 日发布《源于人，超越人》发展战略」的时间线大致对得上，但成立时间与融资额均来自第三方数据库，未经公司方面确认。一家成立不到两年的公司，把 28 项基准的开源第一和两档权重一起放出来，节奏本身是值得观察的样本。

来源：量子位 / 中关村科学城 2026-09-09 PhysBrain 1.5 发布报道及 28 项基准分项表；FutureX Physical AI Daily Issue 119（09/14 期，标注 vendor-reported）；AI Market Watch 公司档案；Hugging Face collections/DeepCybo/physbrain-15。素材时间窗：2026-09-13 18:00 → 2026-09-14 09:00。