Claude与GPT操控机械臂绘画对决：谁更胜一筹？

一场有趣的机械臂绘画实验

一位开发者在Reddit上分享了一个别开生面的实验：他分别把两款前沿大模型（Claude Fable 5.1 与 GPT 6 Astra）接入同一台 SO-101 机械臂，让它们各自完成同样的绘画任务，再对比两者的表现。

这个实验的灵感来自此前在 X（原 Twitter）上流传的一则帖子——有人让 GPT 6 Astra 操控 SO-101 机械臂去画金门大桥。原帖以还原一张参考图像作为基准，而这位开发者把任务做了改动：不再以复现图像为目标，而是让模型用单一颜色填充预设的形状区域。

任务的改动其实很关键。复现图像考验的是模型对整体构图、色彩和比例的把握，而单色填充形状更聚焦于边界识别、路径规划和执行精度——模型需要理解形状轮廓，规划机械臂的移动轨迹，并尽量把颜色填满而不越界。这让评测维度变得更纯粹，也更容易做横向比较。

两个模型的表现如何

据发帖者描述，两款模型最终产出的画作在形状填充的完成度上相当接近，单从「填得满不满」这个直观指标看，很难拉开明显差距。

但魔鬼藏在细节里。作者提到，画作之间「有一些值得讨论的地方」，也就是说在填充的均匀度、边界的处理、笔触的连贯性等更精细的层面，两者存在可以品评的差异。这类差异恰恰反映了模型在空间推理与动作控制上的细微能力区别——一个模型可能填色更均匀但偶尔越界，另一个可能边界更干净但覆盖率略低。

有意思的是，作者把结果拿给几位朋友看，得到的共识结果「出乎意料」。他没有直接公布哪个模型胜出，而是把这个问题抛给了社区，邀请大家来评判。这种「盲评」式的呈现方式，某种程度上比作者自己下结论更有价值——它避免了先入为主的品牌偏好，让评价回归画面本身。

为什么这类实验值得关注

把大语言模型接入物理机械臂并让其完成绘画，看似是一个「玩票」性质的项目，背后却触及了当前 AI 领域一个重要方向：具身智能（Embodied AI）。

从文本到物理动作的跨越

大模型擅长处理文本和图像，但要让它可靠地控制物理设备，需要把高层的任务理解（「填满这个形状」）转化为一连串精确的低层动作指令（机械臂关节角度、移动路径、下笔力度等）。这个转化过程极其考验模型的规划能力和对空间的理解。绘画任务恰好是一个直观的测试载体——结果好不好，肉眼就能看出来。

在技术实现层面，大模型控制机械臂通常依赖一套「感知-推理-执行」的链路。模型首先通过摄像头获取当前画面（视觉输入），理解形状轮廓与当前笔尖位置的空间关系，然后生成动作序列（如「向右移动5毫米、下压1毫米」），再由驱动程序将这些指令翻译成机械臂各关节的电机控制信号。整个过程中，模型需要持续做闭环反馈——每次落笔后重新感知画面，判断是否偏离预定路径并及时修正。这对模型的推理速度和空间坐标系理解提出了很高要求。目前业界常用的技术路径包括：直接提示工程（让模型输出坐标序列）、Code-as-Action（让模型生成控制脚本）以及专门训练的视觉-动作模型（如RT-2、π0等）。这次实验更接近前两种路径，属于将通用大模型「零样本」迁移到物理控制场景的探索。

标准化硬件带来的可比性

实验使用的 SO-101 是一款相对普及的开源机械臂平台。用同一台硬件、同一个任务去测试不同模型，排除了硬件差异的干扰，让对比更公平。这也是社区做模型能力评测时值得借鉴的思路：控制变量，聚焦模型本身。

SO-101是由Hugging Face与硬件社区合作推出的低成本开源机械臂，定价约在100美元级别，设计目标是让研究者和开发者能以极低门槛复现具身AI实验。它采用串行总线舵机驱动，配合LeRobot等开源框架，可以方便地接入Python控制脚本或大模型API。正是因为SO-101的开源性和普及性，近期它成为社区验证具身智能想法的「标准实验台」，类似于计算机视觉领域的MNIST数据集——足够简单、可复现，但依然能暴露模型能力的真实差异。这也意味着这次实验的方法论具有一定可推广性，其他开发者可以用同样的硬件和任务设置来独立验证或挑战结论。

评测标准的选择很重要

作者从「复现图像」改为「单色填充形状」，实际上是在重新定义评测的难度和维度。这提醒我们，评价 AI 能力时，任务设计本身会极大影响结论。填充形状降低了对色彩和构图的要求，却放大了对执行精度和边界控制的考察。不同的任务会让不同的模型「显得更强」，所以看待任何 AI 对比实验时，都需要先搞清楚它到底在测什么。

具身智能（Embodied AI）是指让AI系统拥有「身体」，通过与物理环境的实时交互来感知、推理和行动，而非仅在数字空间中处理信息。这一概念的核心主张是：真正的通用智能需要身体经验作为基础，就像人类的认知是在与物理世界的持续互动中形成的。与纯语言或视觉模型不同，具身AI面临的挑战在于物理世界的不可逆性、传感器噪声和实时响应需求——模型的一个错误指令可能直接导致硬件碰撞或任务失败，没有「撤销」的余地。当前具身智能的主流研究场景包括机器人导航、物体抓取、双手协作操作等，绘画任务因其结果可视化、评价直观，成为一个颇具传播价值的切入点。

社区评价的悬念

这篇帖子最大的看点，其实是作者刻意留下的悬念——他没有告诉大家哪个模型画得更好，反而对朋友们给出的「共识方向」感到意外。

这种做法值得玩味。在 AI 模型的讨论中，人们往往带着强烈的品牌预期：有人天然偏爱 Claude 的严谨，有人推崇 GPT 系列的通用能力。但当把品牌标签隐去、只看实际产出时，结论可能会颠覆直觉。作者的「意外」恰恰说明，模型的真实表现未必符合我们的刻板印象。

需要提醒的是，这毕竟是一次个人化的、样本量极小的非正式实验，评价也主要基于少数朋友的主观感受，并不能作为两款模型能力高下的严谨结论。它更像是一个引发思考的引子：随着大模型越来越多地被接入物理世界，我们该如何设计公平、可复现的评测方法，来衡量它们在具身任务上的真实能力？

这或许才是这场机械臂绘画对决留给我们最有价值的问题。