英伟达 GEAR 开源 ASPIRE v1.0：三次真机实验把魔方每转耗时从 17 分钟压到 3.1 分钟

英伟达 GEAR 实验室 10 月 16 日宣布，智能体机器人框架 ASPIRE v1.0 以 Apache 2.0 协议在 GitHub 开源。据范麟熙（Jim Fan），它具备“完整的真机技能发现和自我改进能力”。

ASPIRE 学到的东西落在真机执行的速度和 token 账单上，模型权重没有变。据团队，三次真机实验中，每完成一次魔方面转动的时间从 17 分钟降到 7.8 分钟，再降到 3.1 分钟，每转的 token 消耗下降 82%；项目页称，这两个数按整段 episode 摊薄，失败尝试、恢复和上下文压缩都算在内。

技能库把修好的程序攒起来

ASPIRE 让一个编程智能体写“代码即策略（code-as-policy）”的控制程序，再从执行反馈里改：查看 rollout 轨迹、诊断失败、修好程序，把可用的修复存成技能。

真机上用的是双臂 YAM 机器人，配软体夹爪。据 Wang，ASPIRE 配合 GPT-6 Astra 解开魔方，走完一套 16 步解法，协调两条手臂完成抓取、旋转和对齐，“不需要遥操作演示，也不需要仿真训练”。据操作手册，最后仍需一个符号求解器为当前的打乱状态计算并校验解法，智能体负责感知、抓取和转动。按摊薄后的平均速度粗算，16 步解法在第一次实验的速度下要约 4.5 小时（16×17 分钟），到第三次约 50 分钟（16×3.1 分钟）；这是推算，不是实测的整套用时。

团队今年 6 月首次发布 ASPIRE，当时用 Claude Opus 4.6 在 LIBERO-Pro、Robosuite、BEHAVIOR-1K 上拿到最好成绩，并展示了收拾餐桌的仿真到现实（sim-to-real）演示；这次 v1.0 新增的是真机魔方等结果。

它还用 GPT-6 Astra 做了拧开瓶盖、叠杯子等任务，README 注明这些配方是从演示环节提炼的，“不是一次新的真机验证”。仿真基准上，团队报的是 LIBERO-Pro 80 个任务 99%、Robosuite 7 个代表任务 100%、BEHAVIOR-1K 2 个代表任务 100%。

换掉底层大模型，成功率从 15% 到 99%

同一个框架，换个底层大模型，结果差得很远。在 10 个 LIBERO-Pro 任务上，成功率随模型从 15%（GPT-6 Luna）到 99%（Claude Opus 5.5）不等，团队称最强的模型并不是最贵的；跨三个基准，Claude Opus 5.5 在每个任务上都到 97% 至 100%。

范麟熙说，Astra 到的那天实验室换了后端模型，一夜之间把基准打到约 99%；Opus 5.5 在实验室的机器人仿真评测上比 Astra 略强，Sonnet 5.5 处在成本与能力的帕累托前沿，每个任务 12 美元。他写道：“上涨的前沿潮水会把所有船抬起来，但 Astra 在很多任务上是一场从 0 到 1 的海啸。”

ASPIRE 依赖一个冻结的前沿大模型，研究者称，他们尚未验证更小或更弱的模型能否撑起这套调试循环。