AREX Feed Article
小鹏联合北大、港大等开源具身感知基础模型 GroundingPI：40 亿参数，34 项基准均分 73.68 超 GPT-6 Astra
据 11 月 4 日报道，小鹏（Xpeng）公布了由其联合北京大学、香港大学等高校研究团队开发的具身感知基础模型（embodied perception foundation model）GroundingPI。官方称其参数规模约 40 亿，训练全程未使用任何带机器人动作标签的数据，仅靠纯感知数据；在同一套 34 项公开感知基准上、按 11 个能力类别均权计算，GroundingPI 得分 73.68，高于 OpenAI 今年 9 月发布的 GPT-6 Astra 的 71.54。代码与权重已在 开源。
小鹏同时宣称，以 GroundingPI 为视觉基座的系统只用 50% 的演示数据，执行成功率就超过了使用 75% 演示数据的对比模型。这些分数与效果声明均为团队自评口径，与 9 月 30 日上线的 摘要一致；小鹏强调，该研究目前处于科学原型（scientific prototype）阶段。
2026 年 4 月北京车展小鹏展台上的 Iron 人形机器人（图片来源：CnEVPost）
分项成绩：密集目标与文字领先，GUI 落后 GPT-6 Astra
论文摘要写明，这项对比覆盖 44 个基线，GPT-6 Astra 被称为“规模更大”的对手；小鹏称 GroundingPI 在综合评测中排名第一。
CnEVPost 报道配图中的对比环形图把这 11 类能力逐一摊开：OCR（文字识别）、文档版面、视觉提示、定位、密集目标、指代、机器人点选、指代点选、定位点选、密集点选和 GUI（图形界面）。图中紫色柱代表 GroundingPI，蓝色柱是包含 GPT-6 Astra 在内的最强四个基线模型。
GroundingPI 与最强基线模型在 11 类感知能力上的对比（图片来源：CnEVPost 报道配图）
具体到分项，知乎上由青稞社区发布的援引论文数据指出，GroundingPI 的优势集中在密集小目标与文字：Dense200 上 74.53 对 65.04，HumanRef 上 88.56 对 83.01，SROIE 上 72.47 对 53.57；但 GUI 一项差距明显，ScreenSpot-Pro 上只有 65.78 对 GPT-6 Astra 的 93.17，该文提醒“全面超越 GPT-6”的说法并不成立。从对比图上看，GUI 一类中代表最强基线的蓝色柱也确实高于 GroundingPI 的紫色柱。
这套评测可以复跑：仓库的评测指南给出了论文所用 34 项任务的完整清单和执行流程，评测代码随源码一同开源。
为什么训练里一条动作标签都没有
小鹏的判断是：现有通用大模型主要面向数字场景设计，直接用到自动驾驶、机器人这类物理场景存在适配落差；GroundingPI 则提出，具身智能的首要前提是准确感知空间位置。论文摘要的表述更直接——视觉-语言-动作（VLA）模型和世界-动作模型（WAM）的感知直接取用通用视觉语言与视频生成骨干，而这些骨干在杂乱场景、微小目标和闭环控制所需的速度上仍然不够用。
正因如此，模型在训练阶段完全不使用带关节动作标签的机器人数据，只靠纯感知数据覆盖 11 类能力，包括通用检测、文字识别和机器人空间定位。名字里 Grounding 对应视觉定位这一核心能力，PI 是 Physical Intelligence（物理智能）的缩写。
小鹏也给它划定了位置：具身智能通常分为负责高速感知与动作执行的快系统（System 1）和负责任务理解与规划的慢系统（System 2），GroundingPI 的目标是为快系统提供感知原生的底座，而不是取代慢系统的通用大模型能力。
GroundingPI 的能力示例：路牌 OCR、无人机视角的密集点定位、机械臂场景的具身指代、GUI 元素定位等（图片来源：CnEVPost 报道配图）
坐标当词用：三段式训练配方
GroundingPI 的输出方式是把坐标变成词。据 Hugging Face ，模型采用 GAM 空间 token（词元）协议：坐标被量化成 0～999 的整数 token，边界框由 (x1, y1, x2, y2) 四个坐标组成，点由 (x, y) 组成，找不到目标就输出 None，坐标和语义标签共用一张词表。架构上，它由 MoonViT-V2（Kimi K3）视觉编码器、一个先做 2×2 空间聚合再接两层 MLP（多层感知机）的投影器，以及 Qwen3-4B-Instruct-2507 语言骨干组成，模型卡标注总参数量 4.84B。
知乎解读援引论文介绍，训练分三段：先做基座 VLM（视觉语言模型）预训练（500.41B tokens），再用 221.17B tokens 做监督微调，把坐标输出和协议对齐；最后用 GRPO 做强化学习，每张图每个问题采样 8 条回答，奖励按“覆盖度 0.7 + 严格定位 0.3”加权。数据并非全靠公开集：团队搭了数据引擎，由多个教师模型分别标注，按字段级“接受、拒收、未决”融合，再由统一的 grounding 专家迭代补标。
开源范围包括 Apache 2.0 许可下的代码与权重（Kimi 衍生材料沿用 Kimi K3 License），部署走 vLLM 0.18.x 与 OpenAI 兼容 API，测试硬件覆盖 NVIDIA B300、B200、H200、H800 和 PPU。
只换“眼睛”的实验：少数据胜出，满数据并非第一
基准分数之外，更关键的验证是换成这套感知底座后，动作表现是否真的变好。论文称，作为下游视觉骨干，GroundingPI 能提升机器人操作与自动驾驶的表现。知乎解读描述了实验设计：团队把 8 个预训练基座——通用 VLM、视频生成、grounding、具身基座各两个——接到同一个 π0 风格的 Action DiT 动作模块上，动作数据、训练预算、推理流程全部固定，只换“眼睛”。
结果分两层。在 RoboTwin 2.0 上，它在全部四种分布外设置中都优于参评的主流骨干网络，相对最强骨干的提升最高达 24.8%（论文摘要）；知乎解读给出的具体数字是 Clean2Random 设置下 17.60%，第二名 Rex-Omni 为 14.10%。数据效率方面，在 RoboCasa-GR1 上只给 50% 演示数据，它跑到 28.75%，高于所有基线用 75% 演示数据的最好成绩 27.75%，与小鹏公布的口径一致；但满数据场景下它的 37.75% 仍低于 RynnBrain 的 39.00%——论文自己也说明，优势在少数据场景，不在满数据。自动驾驶侧，以 GroundingPI 为视觉骨干在 nuScenes 上的平均开环 L2 误差为 0.296 米。
小鹏把仿真验证对应到规模化部署的两个核心挑战：一是大幅降低人工采集机器人演示数据的成本，二是更强的场景泛化——在散料分拣、料箱计数等高密度仿真场景里，物料、物体类别和背景变化下系统保持稳定性能，为跨工作站复用提供支持。小鹏的解释是，传统 VLA 模型中定位物体的任务由 GroundingPI 直接承担，所以演示数据可以省。
开源时间线与“科学原型”的边界
开源工件在官方公布前已陆续上线。仓库页面的更新记录显示：论文 9 月 30 日登 arXiv，权重 10 月 1 日上 Hugging Face，源代码与部署指南 10 月 3 日发布，项目主页 10 月 4 日上线，10 月 14 日同步 ModelScope 并登上 Hugging Face Daily Papers 当日论文榜第一。截至发稿，GitHub 仓库显示 319 stars、14 forks，模型卡页面显示近 30 天下载 1,118 次。
第三方解读也在跟进。青稞社区 10 月 28 日发布长文解读，并预告次日晚连线 GroundingPI 与 GroundAnything 的共同第一作者、北京大学硕士生、小鹏 VLA 基座部门实习生 Qize Yu（据主办方介绍）；同一团队在 9 月 30 日还同步发布了主打并行解码速度的姊妹工作 GroundAnything。
对小鹏而言，这是其物理 AI 布局的最新一步：CnEVPost 报道称，小鹏近年在物理 AI 上持续加注，希望以此驱动智驾系统、人形机器人和 robotaxi 业务；今年 2 月，小鹏把自动驾驶中心与智能座舱中心合并为由 AI 专家 Liu Xianming 领导的通用智能中心，为汽车与机器人业务提供统一的 AI 中台底座。更早的 2025 年 4 月，小鹏了 720 亿参数“小鹏世界基座模型”的研发，称将通过云端蒸馏部署到车端，并赋能 AI 机器人、飞行汽车等终端。
这项工作的边界也写在论文里：“局限与未来工作”一节列出了 grounding 覆盖、提示兼容性和评估方法上的既有缺口。青稞社区那篇解读则把更尖锐的问题留给了访谈环节：如果下一代通用模型把视觉定位追平，专用感知基座还剩什么价值。