GPT‑6的发布，进一步拓宽了大语言模型的能力上限。推理、编程、多模态理解不断取得进展，也让行业看到通用智能的迭代仍在持续提速。但当模型的能力已经在数字空间得到充分验证，一个核心问题随之浮现：具备强大世界理解能力的大模型，究竟能不能落地到真实物理世界完成行动？
Robocurve的机械臂测试给出了一组对照结果：在积木放入碗的任务里，GPT‑6 Astra20次尝试成功19次，Claude Fable 5.1仅完成8次。模型接收摄像头画面与机器人自身状态信息，输出机械臂末端位姿、夹爪控制指令，并依靠实时视觉反馈迭代调整动作。这说明大模型对世界的认知，是可以转化为现实物理操作的。大模型的价值边界，正在跳出屏幕。
但测试也暴露出明显短板。在蓝色圆形拼图块对位插入凹槽这类精细装配任务上，GPT‑6 Astra成功率仅10%。即便大模型拥有不错的通用认知，也只能作为机器人完成任务的基础；从"理解世界"到"实际执行"之间依旧存在不小鸿沟。空间感知、具身理解、精细动作生成，仍是模型走向物理世界必须攻克的难点，也是当下行业竞争的核心战场。谁能补齐这部分能力，就有望把大模型的能力延伸到工厂、实验室与日常生活场景。
深度机智正是瞄准这一方向，推出物理基座模型PhysBrain 1.5。在28项具身空间智能与规划基准测试中，8B版本综合得分72.5，位列参评开源模型首位，整体水平已经接近GPT‑6 Astra（73.3）、Gemini 3.6 Flash（73.0）这类头部闭源模型。
这一次，一家成立仅一年多的中国公司，正在用一套自研架构，把空间理解、动作生成、未来状态预测等多维能力统一到一个基座模型中，把"让模型理解世界并理解如何行动"这件事真正做扎实。
