机器人抓不稳东西，问题常常不在脑子。
它想得没错，手伸偏了。
国内一家做人形机器人底层的公司，今天放出一个新模型。
叫 ACE-Brain-0.6，参数只有九B。
上一版 0.5 已经在搭感知和行动的闭环。
这一版只盯一件事，把位置找准。
八项空间评测里，六项压过 GPT-6 Astra。
七项公开基准的平均分是 74.53。
对面那套通用模型是 73.68。
自家搭的真实机器人评测里，它拿到 94.13 分。
对面是 91.10 分。
九B 放在通用模型里，算小个子。
能在一个专项上追平，才有讨论价值。
分差不算悬殊。
可这件事的分量，不在分数上。
一 看懂世界，还得找得到那只手
通用大模型这两年进步很快。
能规划步骤，能读懂指令，能解释画面。
可让它指一个具体位置，就容易含糊。
这和 AI编程 里的补全不是一回事。
补全靠上下文足够长，位置靠像素足够准。
文章里举了两个动作。
放水果篮，得先认出篮筐边缘，再算往哪推。
折 T 恤，得先抠出衣物轮廓，再估折叠距离。
这两步都不难描述。
难在落到像素上。
差几十个像素，人看着没区别。
机械臂伸过去，就抓空了。
文字问答里的一点偏差，可以糊过去。
机器人不行。
这道坎不解决，再聪明的规划也落不了地。
通用模型在 AI对话 上很强，是因为文字本身带上下文。
到了物理世界，这层上下文得自己量出来。
这套模型要补的，就是这一段。
它把五件事并成一个能力。
认出目标，找到多个同类实例，判断相互关系。
再看哪里是功能区，最后预测手该落在哪。
技术概览图。左边三栏是目标识别，视觉计数和空间定位，右边是模型给出的检测框与掩码。
二 九B的模型，赢了六项空间评测
评测一共八项。
七项是公开基准，一项是团队自建。
覆盖指代，计数，定位，功能理解，还有交互区域。
六项赢，两项没赢。
数字摆在这里。
放置位置预测 76.55 对 71.10。
计数 89.41 对 88.10。
空间关系 74.82 对 69.55。
可供性判断 88.51 对 84.94。
另一个公开集 49.70 对 46.60。
最后是自建的真实场景评测。
2591 道题，14 类任务。
目标定位，小物体识别，多实例计数，跨相机视角对应。
还有一类容易被忽略。
目标根本不在画面里。
模型得说出没有，不能编一个像样的位置。
这一项它拿了 94.13。
比对面高 3.03 分。
八项评测的对比图。图里按基准横排，几个参评模型的得分并排显示。
这些分数背后是一件更朴素的事。
模型不是只认得出”这是杯子”。
它还得回答”哪里能放””抓哪个部位”。
这两问听着简单，落到图上就是坐标。
三 一百万条样本，怎么攒出来
分数背后是数据。
这一点比分数更值得看。
机器人公司手里不缺录像。
缺的是标注。
一段操作视频里，有画面，有轨迹，有指令。
可没有”这个东西在哪””该抓哪个部位”。
模型看一万遍，也学不到这层。
团队的做法是把录像拆开。
先按夹爪状态和动作幅度挑关键帧。
再自动生成场景里的物体词表。
然后用开源检测模型和分割工具定位。
最后做语义校正。
一条条问答就这么长出来。
问目标指代，问数量，问空间关系。
问交互位置，也问”有没有”。
每条答案都得有画面依据。
标注不完整，就不出计数题。
目标不存在，得先确认它真没出现。
这套流程最后产出约一百万条样本。
94 万张图像，270 万组问答。
基座用的是千问 3.5 的九B版本。
视觉编码器冻住，只调语言模型。
接口统一，坐标和区域一次输出。
机器人轨迹的自动标注流程图。从关键帧选择到物体词表，再到定位与问答生成。
四 数据翻倍，分数涨两点四
还有一个实验，做得很实在。
架构不动，训练方法也不动。
只把数据从 26 万条加到一百万条。
七项公开评测的平均分从 69.3 涨到 74.5。
每翻一倍，涨约 2.4 分。
看着像一条对数曲线。
这条线往上走，说明还没到天花板。
对九B这个量级，空间能力还有余量。
但第二个结论更关键。
只往已有的类型里加样本，涨不到 1 分。
真正拉动分数的是新场景。
新空间关系，新的监督形式。
堆量没用。
铺面才有用。
这条路听着笨，但可复现。
数据这块，一直是具身行业的苦活。
录一小时视频，标注要花好几个小时。
把标注自动化，等于把成本压下来一截。
这套流程能复用，价值可能比一次评测更高。
行业里数据荒喊了很久。
缺的从来不是采集能力。
是把采集变成可训练的信号。
空间锚定只是第一步。
它回答”在哪”。
下一步要回答”为什么这里能下手”。
同一个位置，能放空杯，不一定能放满杯。
桌沿能摆东西，不一定能承重。
这些约束，眼下的评测还没覆盖。
评测分数是对着基准打的。
真实场景里的光照，遮挡和滑动，比测试集脏得多。
团队自己也承认，这只是一段能力。
这句话比宣传口径诚实。
规划，长程任务，多机协同，都还没碰。
九B的模型在单项上赢了通用大模型。
不代表它在别的维度也赢。
这个边界得说清楚。
不然容易读成国产模型全面超越。
那是另一回事。
对行业来说，这条路的价值在别处。
过去做具身模型，习惯先堆参数。
好像模型够大，物理常识就会自己长出来。
这个实验给了另一个答案。
在决定动作精度的感知环节，数据覆盖面比参数规模更管用。
对做 AI工具 的团队来说，这话有直接用处。
想清楚要什么能力，再去找那种数据。
先堆一个通用模型，再指望它自己学会定位，代价高得多。
零售分拣，物流搬运，服务机器人，都吃这一套。
抓得准，才谈得上稳。
找得到，才谈得上自己干。
