自发布以来，没日没夜深度使用了几天 GPT-6，用光了四次 usage limits。总体感受还是非常正面的，不过如果把问题具体到具身智能，我更看好它对研发流程和上层任务执行的影响。至于它能不能让机器人在真实环境中更可靠地完成长任务，还需要接入硬件之后再判断，不能直接拿软件环境里的表现代替实机结论。

先说我实际用下来比较明显的几个变化，以及为什么我认为它们和具身行业有关。

长程任务能力是这次让我印象比较深的地方。我最长的一个任务跑了整整 12 个小时，探索能力也有进步，可以自己发掘代码瓶颈，试错改进。当然，“跑了 12 小时”和“高效完成了 12 小时的有效工作”是两回事，单纯运行时间长也不能证明能力强。真正值得关注的是，在任务持续推进的过程中，它能否围绕原来的目标工作，利用中间结果调整方法，并且减少需要我重新解释上下文、指定下一步的次数。从我的使用感受来看，这方面确实有改善。

这对具身智能的潜在意义，在于真实任务通常需要连续处理多个相互依赖的步骤。比如让机器人整理工作台，实际涉及理解目标、识别物体、安排顺序、调用已有技能，以及在抓取失败或者物体位置变化后重新规划。如果大模型能够更稳定地维护任务状态、分析失败原因，并调用合适的工具或技能，就有机会承担更多上层协调工作。不过，我目前还没有测试 Astra 在机器人上的表现，这部分是基于软件使用体验的推断。代码出错可以回滚，机器人碰倒东西以后，任务条件本身就已经改变了，两者的试错成本也完全不同。

工具操作能力的提升也很明显。我自己试用了 Blender 建模和动画场景生成，这也是网上博主讨论比较多的一个方向。实际使用下来，没有别人演示得那么惊艳，但在只给定有限提示词的情况下，确实已经能做出一些初步可用的动画场景。我更在意的是，这意味着可以把一部分原本需要自己逐项操作的工作交给模型，再根据结果修改，降低从想法到初版场景的成本。

放到具身研发中，这种能力很容易让人联想到仿真场景构建：搭建房间、摆放物体、调整相机和光照，以及批量生成不同布局。如果这些步骤可以通过自然语言和脚本协同完成，小团队就有机会用更少的人力覆盖更多测试条件。但这里需要区分“看起来像一个场景”和“能够用于机器人训练或验证的场景”。物体尺寸、碰撞模型、质量、摩擦参数、关节约束和传感器配置，都可能影响仿真结果。能用 Blender 生成动画，只能说明场景制作中的一部分工作可以被自动化，后续还需要验证物理设置和任务适用性。

另外，我还用它把几个一直没时间整理的二手物品发到了 eBay，全程很少干预，很多步骤可以自主推进。这件事本身和机器人没有直接关系，但它让我更直观地感受到，模型正在具备把一个笼统目标转化为一系列工具操作的能力。具身系统同样需要这种能力，只是工具从网页和软件变成了感知、导航、抓取等模块，而且每次调用都需要满足具体的执行条件。浏览器任务做得好，对机器人上层任务编排是一个积极信号，但仍然需要检验它能否正确理解物理状态和动作后果。

Research 能力也有提升。在我的使用中，它会多次核对数据来源，能找到比较新的信息，现在我也拿它每天做美股行情日报。这只是个人使用观察，并不代表它已经解决了事实准确性问题。尤其需要注意的是，多个网页可能转述同一个来源，找到几篇说法一致的文章，不等于获得了几份独立证据。模型是否真的读懂原始材料、有没有混淆时间和适用条件，仍然需要抽查。

对应到具身研发，这部分能力可以用于整理论文、查阅设备文档、比较实现方案，以及根据报错和日志寻找可能原因。例如，一个机器人任务失败，问题可能来自感知、坐标变换、通信、规划或者控制，开发者需要在不同模块之间追踪。如果模型能够把文档、代码和运行记录结合起来，提出可验证的排查步骤，就可能节省不少调试时间。这里的价值最终要落到“能否帮助定位并修复问题”，需要让后续实验检验它提出的解释。

代码分析、网页设计和自我纠错能力的提升，也让我比较满意。网页设计终于开始考虑一些设计美学了；代码方面，我已经让它把自己 GitHub 上的一些工程整体重构了一遍，大概 80% 的情况符合预期。这个比例只是我的主观使用感受，不是严格统计的成功率，但已经足以让我愿意把更多工程任务交给它，再集中精力审查关键修改。

我认为这可能是它对具身行业最快产生实际价值的地方。机器人项目里有大量接口适配、数据处理、实验脚本、日志分析和可视化工作。这些工作单独拿出来未必复杂，组合起来却很耗时间。如果模型能够承担更多实现和维护任务，研究人员就可以更快地把一个想法接入现有系统，并完成一轮实验。对小实验室和初创团队来说，这种工程效率的提升很有吸引力，因为它直接影响同样的人力能够尝试多少方案。

不过，机器人软件的验收条件也需要跟上。一次重构即使功能测试通过，也可能改变执行时间、资源占用、消息处理顺序或者异常处理方式。对有实时性要求的系统来说，运行结果正确只是其中一部分，还要知道它是否在规定时间内完成，以及负载增加或通信异常时会怎样。因此，模型越能大规模修改代码，就越需要配套的回归测试、时间测量和实机验证，否则省下来的编码时间，可能又在集成阶段花回去。

视觉相关工作流也有进步。我引导它借助 SAM3 做了一些数据自动标注，效果可以。这里更准确的说法是，它组织和调用视觉工具来完成任务的能力有所提升；标注效果中有多少来自 SAM3、有多少来自大模型的任务组织，需要分开看，不能全部归因于 Astra 自身的视觉能力。

对于具身项目，可以进一步尝试让它串联数据筛选、标注生成、格式转换和质量检查，减少人工反复操作。但自动标注要真正有用，还需要关注漏标、遮挡、类别歧义，以及连续帧之间是否一致。我的期待是让模型先完成大量重复工作，再把不确定的样本集中交给人检查。这样是否划算，可以用审核后的标注质量和实际节省的工时来衡量。

把这些体验放在一起，我目前的判断是，Astra 很可能先在具身研发的各个环节中产生价值：帮助搭建场景、整理数据、修改代码、排查问题，再逐步承担更复杂的任务编排。如果这些环节都能减少人工干预，一次实验从提出想法到获得结果的周期就有机会缩短。这种变化未必像机器人演示视频那样直观，却可能更早影响研发效率和团队的能力边界。

真正接入机器人时，我会更关注它和现有系统如何分工。一个值得尝试的方案，是让它负责目标理解、任务分解和异常分析，通过明确的接口调用已有技能；涉及运动执行、动作约束和安全停止的部分，则由能够验证的控制与安全机制承担。长程任务能力的提升值得期待，但“能持续思考很久”和“能在规定时限内可靠响应”是不同的能力，不能因为前者进步，就默认后者也已经满足要求。

下一步就是把它接入实验室的机器人，看看能有什么有趣的应用。我尤其想观察的是：环境变化以后，它能否正确更新判断；某一步失败以后，能否选择合理的恢复方式；信息不足或者超出能力范围时，能否停下来请求帮助。同时还要记录任务成功率、人工接管次数、完成时间和调用成本。只有这些结果也有改善，才能把目前的软件使用好感，进一步转化为对其具身应用能力的判断。