大晓ACE-CaP-0：让大模型把活写成代码

大晓机器人 11 月 13 日发布研究成果 ACE-CaP-0，让通用大模型自己开发机器人技能：在插充电器、面包装箱、开瓶盖等八项精细操作任务中，经 240 次真机测试成功 221 次，成功率 92.1%，最快 1 分钟完成。它给出的答案是——别让大模型边看边干，让它先把活写成代码。

这项研究解决的是一个很现实的问题：通用大模型什么都能想，但每一步操作都要观察、推理、决策，探索一项新任务往往耗时一到数小时。产业场景要的是稳定、快速、能连续作业，这两者之间存在效率鸿沟。ACE-CaP-0 的思路，是把”探索”和”执行”拆开。

为什么机器人的”学会”和”会做”是两件事

具身智能领域有个反复出现的错觉：模型在仿真里学会了，真机却做不好。原因在于，学习的对象和执行的场景之间存在鸿沟。模型学到的是”统计规律”，真机面对的是”物理现实”——摩擦系数会变、光照会变、物体的重量分布会变。

ACE-CaP-0 的做法是把这道鸿沟显式地处理掉。它不指望模型在真机上”临场发挥”，而是让模型在开发阶段把所有可能出问题的地方都试一遍，然后写出一段在特定条件下稳定工作的代码。这是一种”用工程确定性对抗物理不确定性”的思路。

这个思路不新鲜，工业机器人领域用了几十年。新鲜的地方在于，写代码的主体从工程师变成了大模型。这让开发速度提升了一个量级，也让”为每一个细分任务单独开发技能”在经济上变得可行。

传统工业机器人只能做一件事，因为每换一个任务就要重新编程，成本太高。如果编程成本降到几小时，那”一机多能”就有了经济基础。这才是 ACE-CaP-0 真正的想象力所在。

92.1% 这个数字是怎么来的

先说测试方法。八项任务分别是插充电器、面包装箱、开瓶盖、杯子套叠、插花、鸡肉装盘、包裹翻转、鞋子装盒，每项各做三十次，共 240 次真机测试，成功 221 次。成功率 92.1%，其中七项不低于 90%，插充电器任务 30 次全部成功，最差的是面包装箱，83.3%。

这些数字本身不算稀奇，端到端的演示这两年见得不少。真正有意思的是：跑这 240 次的时候，大模型已经不在场了。方案定下来之后，机器人就照代码跑，中间没有大模型推理，旁边也没有人随时接手。

这就是速度差距的来源。插充电器如果让大模型边看边试，要一个小时左右；写成代码之后一分多钟，八项任务平均在两分钟上下。从小时级到分钟级，这是能不能进产业场景的分水岭。

任务	完成情况	关键难点
插充电器	30 次全中，100%	对位精度与受力控制
面包装箱	83.3%，唯一未达 90%	柔性物体形变难以预测
开瓶盖	不低于 90%	旋转力矩与防滑
杯子套叠	不低于 90%	接触判断与堆叠顺序
插花	不低于 90%	细长物体的柔性操作
鸡肉装盘	不低于 90%	不规则物体抓取
包裹翻转	不低于 90%	重心变化与力控
鞋子装盒	不低于 90%	形变与方向判断

代码即策略：这个思路从哪来

ACE-CaP-0 的技术底座叫”代码即策略”（Code as Policies，简称 CaP），核心想法是让大模型通过写程序来控制机器人，而不是直接输出动作指令。这个思路的好处是：代码可读、可调试、可复用，而且执行时不需要模型参与。

但代码能跑，不代表机器人能成功操作。真实的精细任务里，抓握角度偏差、对齐不准、接触角度偏失，都可能导致失败。要找到问题并改进程序，往往需要反复真机试错，不仅耗费时间，还涉及人工复位、执行检查等成本。

ACE-CaP-0 的改进是在这个循环里加了两个新环节：按需示范与按需仿真。模型接到任务先自己试，哪一步不会就主动请求一段人类示范；方案拿不准就搭个仿真先跑一遍；最后把验证过的操作方法写成代码。整个过程里，模型不是被动接受指令，而是主动判断”我需要什么经验”。

为什么”主动”这两个字很关键

传统的做法是事先给固定数量的示范、固定次数的仿真。这种做法的问题是：该给的地方给不够，不该给的地方给了浪费。团队做过一组对比：同一个任务，固定按”真机—仿真—真机”的顺序走，成功率是零；把”什么时候该仿真”交给模型自己判断，才做到 100%。

零对一百，这个对比很说明问题。它意味着在这个任务里，经验获取的顺序和时机，比经验的数量更重要。模型必须知道”现在缺的是什么”，才能高效地补齐。这也是 ACE-CaP-0 最核心的贡献——不是让机器人更会操作，而是让它更会学习。

三种示范形式，成功率差出一大截

研究里有一组数据特别值得琢磨。同一个任务，只给一段文字说明，成功率 60%；给一段人站在旁边拍的视频，73.3%；给人遥控机器人做一遍、把机械臂每一刻的轨迹和夹爪开合都录下来的数据，86.7%。

这三种形式的差别，在于”信息密度”。文字说明只告诉你要做什么，不告诉你手往哪放、用多大力；视频多了视觉信息，但缺少三维的力与位置；机器人示范不仅包含视频，还记录了机械臂运动轨迹、末端位姿和夹爪状态，让机器人不仅能看到操作结果，还能理解动作是怎样完成的。

这个结果对产业化有直接意义：培训机器人的成本，取决于你用什么形式教。如果只写操作手册，效果最差；如果让人演示一遍并录制，效果最好。这意味着工厂在部署机器人时，最该投入的不是买更多设备，而是建立”示范录制”的流程和工具。

示范形式	成功率	包含的信息	录制成本
文字说明	60%	任务目标与步骤	低
人类操作视频	73.3%	目标 + 视觉动作	中
机器人示范数据	86.7%	目标 + 轨迹 + 位姿 + 夹爪状态	高
按需请求的混合	92.1%（八项平均）	按需补足关键环节	中高

技能是怎么被”写”出来的

具体到流程，ACE-CaP-0 的开发循环是五步：编写程序、执行测试、分析反馈、修改代码、固化技能。每一步都由模型自己驱动，人类只在被请求时介入。

第一步写程序，模型根据任务描述生成一段控制代码，包含位姿计算、动作序列、力控参数。第二步真机执行，观察是否正确。第三步分析失败原因：是抓取角度偏了、是对位不准、还是接触力过大。第四步针对原因修改代码，可能调整参数，也可能改变动作顺序。第五步，当连续多次执行稳定成功，就把这段代码固化成技能。

这个循环的关键是第三步。失败原因的判断，决定了后面所有修改的有效性。模型需要从视觉反馈、力传感器数据、关节电流中综合判断，这一步的能力强弱，直接决定开发效率。

固化之后的技能，是一段精简的代码，包含任务逻辑、几何计算、动作顺序和控制参数。任务逻辑与底层控制解耦，可以分别优化技能决策与动作执行，不必每次重新开发整套策略。这是它能跑得快、跑得稳的根本原因。

代价落在哪里

任何方案都有代价。ACE-CaP-0 的代价很明确：换不了场景。换个台面、换个杯子，它不会自己适应，得重开一次开发。也就是说，它产出的是一套针对特定场景的固定技能，而不是通用能力。

开发成本也不低。一项技能要花两到六个小时、一百多万个 token。模型卡住的时候，还得有人补一段示范给它。这意味着部署一条产线的技能，可能需要几十人天的工作量。

这个代价在什么情况下划算？答案是”高频重复、场景稳定”的任务。一条产线每天要插几千个充电器，花两天开发一项技能，分摊下来可以忽略。但如果任务每天只做十次、场景还总变，那这套方案就不划算。

和端到端方案怎么选

端到端方案的优势是泛化：换个场景，模型还能凑合着干，不需要重新开发。劣势是慢：每一步都要推理，速度上不去，稳定性也差。

ACE-CaP-0 的优势是快和稳：技能固化成代码之后，执行速度是端到端的几十倍，成功率也更高。劣势是死板：场景一变就得重做。

所以这两条路线不是替代关系，而是分工关系。适合端到端的场景是”低频率、高变化”，比如家庭服务机器人；适合 ACE-CaP-0 的场景是”高频率、低变化”，比如工厂产线、仓储分拣、酒店客房服务。

柔性物体为什么最难

八项任务里唯一低于 90% 的是面包装箱，83.3%。这个结果不意外，因为柔性物体是机器人操作里公认的难点。

难点在三处。第一是形变不可预测：一袋面包被抓起时，形状会随抓取点、力度、速度变化，模型无法事先算出结果。第二是视觉难以判断状态：面包被压扁了多少、有没有破损，从图像里看不准。第三是力控要求精细：力气小了抓不住，大了就压坏。

与之相对，插充电器这种刚性物体任务反而容易：形状固定、目标明确、成功与否一目了然。这也是它做到 100% 的原因——任务本身的可判定性高，模型容易学到有效策略。

这个对比揭示了一个规律：机器人操作的难度，不取决于动作复杂度，而取决于”结果的可预测性”。刚性、规则、单接触点的任务容易；柔性、不规则、多接触点的任务难。产业落地时按这个规律排序，成功率会高很多。

双脑协同这条更大的线

ACE-CaP-0 不是孤立的研究，它和大晓机器人的”通用模型 + 开悟世界模型”双脑协同架构一脉相承。在这个架构里，通用模型负责理解任务、探索和生成技能，世界模型负责物理状态理解与行动后果预测，具身 Harness 连接感知、记忆、技能和控制。

真机 RSI（真实世界的递归自我改进）是另一条线：用真实执行反馈持续改进技能与研发方法。ACE-CaP-0 聚焦在”经验获取与代码策略开发”，让机器人不仅从执行中发现问题、改进技能，还能主动判断需要什么经验、如何获取经验。

把这三块拼起来，是一张挺完整的蓝图：世界模型提供”想象”，通用模型提供”思考”，代码策略提供”执行”，真机反馈提供”纠错”。这个闭环如果能跑通，机器人的学习速度会远超纯端到端方案。

但蓝图和现实还有距离

世界模型目前的能力还不足以精确预测复杂物理交互，尤其在柔性物体、多接触点、摩擦变化这些场景。这意味着”先仿真再执行”这一步，在很多任务上还不可靠。

具身 Harness 的工程复杂度也常被低估。感知、记忆、技能、控制这四层要实时协同，任何一层的延迟都会拖垮整体。这不是算法问题，是系统工程问题，需要长期打磨。

所以更现实的期待是：ACE-CaP-0 这类方法先在结构化场景落地，逐步扩展到半结构化场景，最后才可能进入家庭这种高度非结构化的环境。这个过程可能需要五年以上。

和远程操作的关系

有人会问：既然要人示范、要人补数据，那为什么不直接让人远程操作？答案是规模。远程操作是 1 对 1，一个人控制一台机器人；ACE-CaP-0 是 1 对 N，一次开发可以在多台机器人上复制。

举个例子。一家酒店有 200 间客房，每间都要整理。远程操作需要 200 个操作员轮班，成本高、一致性差。而用 ACE-CaP-0 开发出”整理客房”的技能之后，一台机器人的经验可以复制到所有机器人上，人工只在开发阶段介入。

这就是”技能资产化”的商业价值：一次性投入，无限次复制。这也是为什么资本看好这类技术——它把人力密集的服务，变成了可以规模化的产品。

但前提是场景要足够标准化。酒店客房的布局千差万别，一台机器人在 A 酒店学的技能，搬到 B 酒店可能就不适用。要真正复制，还需要场景的标准化，或者技能的自适应能力。这两条路都还在探索中。

对产业落地意味着什么

第一，机器人的”技能”会变成可交易的资产。如果一项技能可以被写成代码、被复制、被迁移到另一台机器人，那它就具备了资产的属性。未来可能出现”技能市场”——厂商卖机器人，第三方卖技能包，用户按需购买。

第二，部署模式会变。过去部署一台机器人，要工程师现场调试几天；现在可以先录制示范、生成技能、远程下发测试，现场只需要做最后的验证。这会大幅降低部署成本，也让机器人的规模化成为可能。

第三，行业分工会出现。做本体的、做模型的、做技能的、做集成的，各司其职。目前这个行业还是”全栈自研”为主，但随着技能可迁移，专业化分工是必然趋势。

第四，评估标准会改。现在评价机器人，看的是”能不能做某个动作”；未来看的会是”开发一项技能要多久、成功率多高、换场景要多久”。这些是工程指标，比演示视频更有说服力。

一个必须回答的问题：稳定性

92.1% 的成功率听起来很高，但放到产业场景里，还要问一个问题：剩下的 7.9% 是怎么失败的？如果是随机失败，可以靠重试解决；如果是系统性失败，就要重新设计。

从公开信息看，失败主要集中在柔性物体任务，属于”可预期的困难”而非”随机故障”。这个区别很重要：可预期的失败可以通过增加视觉反馈、调整力控参数来改善；随机故障则难以根治。

另一个稳定性维度是长时运行。240 次测试是分散进行的，不是连续作业。真实产线上，机器人要连续工作八小时，电机发热、传感器漂移、光照变化都会影响成功率。这些因素在实验室里测不出来。

所以企业在评估这类方案时，应该要求供应商提供”连续作业测试”的数据，而不只是”单次任务成功率”。前者更接近真实场景，也更能暴露问题。

中国具身智能的一条路径

国内具身智能公司大致分两类。一类是”本体优先”，先把硬件做好，再逐步加智能；另一类是”智能优先”，先把算法做好，硬件用现成的。大晓属于后者。

智能优先的路线，优势是软件迭代快、成本低；劣势是受制于硬件能力，很多动作做不了。ACE-CaP-0 的成果，某种程度上证明了软件路线在”精细操作”上也能达到可用水平——至少在这八项任务里，92.1% 的成功率已经接近产业要求。

但要注意，这八项任务是精心选择的，都是”可定义、可验证”的操作。真实产线上的任务往往更复杂，包含多个子任务的组合、异常处理、与其他设备的协同。这些场景的难度远高于单项任务。

所以更公允的评价是：ACE-CaP-0 证明了方法可行，但离”通用机器人”还有很长距离。它的价值在于提供了一个可复制的工程范式，而不是一个通用解决方案。

数据集与评测的共同难题

具身智能领域一直缺一个公认的评测标准。文本模型有榜单可打，视频模型有对比平台，机器人却很难——每家的硬件不同、任务不同、环境不同，成绩不可比。

ACE-CaP-0 的研究试图解决这个问题：它给出了明确的八项任务、明确的测试次数、明确的成功定义。这种”可复现的评测设计”，比单纯的数字更有价值，因为它让其他人可以在同样的条件下验证。

但要成为行业标准，还差两件事。第一是开源评测代码与环境配置，让别人能真的复现；第二是扩展到更多任务类型，尤其是组合任务与异常处理。目前公开的部分主要是方法描述与结果，复现门槛仍然很高。

对行业来说，建立共同的评测基准，比任何单项突破都重要。没有统一标准，所有”领先”都只是自说自话。

另一类竞争：数据从哪来

所有做具身智能的公司都缺数据。真实操作数据采集成本高，一个动作要录几十遍，还要标注；仿真数据便宜，但与真实世界有差距。ACE-CaP-0 的”按需仿真”实际上是在两者之间做动态平衡。

这种平衡策略有个隐含前提：模型能准确判断”仿真够不够用”。判断错了，要么浪费算力做过多的仿真，要么跳过必要的验证导致真机失败。这个判断能力本身，就是模型能力的一部分。

从行业看，数据采集正在从”公司自采”走向”众包”。有些团队在做通用数据采集设备，让普通用户在日常生活中录制操作数据；有些在做仿真环境的标准化，让不同公司可以共享场景。谁能解决数据来源问题，谁就能在下一轮竞争里占优。

ACE-CaP-0 的价值之一，是它降低了单任务的数据需求——不需要海量轨迹，只需要关键环节的示范。这对数据稀缺的行业是个好消息，也让更多场景具备了可行性。

给从业者的三条建议

第一，做具身智能别迷信端到端。演示视频好看，但产业场景要的是稳定和速度。如果你的任务高频重复，代码化技能路线的投入产出比更高。

第二，把示范采集当基础设施来建。三种示范形式的成功率差出近三十个百分点，说明数据质量比数据数量更重要。建立标准化的示范录制工具，比买更多机器人有用。

第三，算清楚开发成本。一项技能两到六小时、一百多万 token，这个成本必须摊到产量上才能判断划算不划算。别被成功率迷惑，要看单位任务的总成本。

把这件事的分量说清楚

ACE-CaP-0 不是那种会刷屏的发布，没有炫酷的演示视频，也没有”通用机器人来了”的口号。它的价值在于提供了一个具体、可验证、可复制的工程方案——把大模型的探索能力和机器人的执行能力，用一种低成本的方式连接起来。

这个方案的意义，可以类比早期软件工程的演进：从每个人手写机器码，到用高级语言写程序。写代码这件事，把”思考”和”执行”分开了，让执行变得可复用、可优化。ACE-CaP-0 做的事，本质上是同一种分离。

当然，分离也有代价。抽象层次越高，灵活性越差；代码写得越死，越适应不了变化。这个矛盾在软件工程里已经存在几十年，机器人领域同样逃不掉。ACE-CaP-0 选择了”偏向效率”的一端，这符合当前产业需求，但不会是终局。

真正值得期待的，是它打开的那条路：如果技能可以被代码化、被复制、被交易，那机器人产业的商业模式会彻底改变。这个变化的意义，远超过 92.1% 这个数字本身。

常见问题

ACE-CaP-0 是什么？

大晓机器人 11 月 13 日发布的研究成果，让通用大模型通过主动获取经验、自主开发与优化机器人技能，把验证过的操作方法固化为可复用代码。

92.1% 的成功率怎么测的？

八项精细操作任务，每项 30 次，共 240 次独立真机测试，成功 221 次。其中七项不低于 90%，插充电器 100%，面包装箱最低为 83.3%。

为什么执行时不需要大模型？

因为技能已经被固化成代码，执行阶段跑的是程序而非模型推理。这消除了每一步的观察与决策延迟，速度从小时级降到分钟级。

按需示范和按需仿真是什么？

让模型自己判断何时需要人类示范、何时需要仿真实验，而不是事先给固定数量。研究显示，固定顺序的成功率为零，模型自主判断的达到 100%。

三种示范形式差别有多大？

文字说明 60%、人类操作视频 73.3%、机器人示范数据 86.7%。差别在于信息密度：机器人示范包含轨迹、位姿、夹爪状态等完整动作信息。

这套方案的局限是什么？

换不了场景。换台面、换杯子都需要重新开发，一项技能要两到六小时、一百多万 token，模型卡住时还需人工补充示范。

和端到端的方案比谁更好？

不是替代关系。端到端适合低频高变场景，ACE-CaP-0 适合高频低变场景。前者泛化好但慢，后者快且稳但死板。

双脑协同架构是什么？

通用模型负责理解与规划，开悟世界模型负责物理状态理解与后果预测，具身 Harness 连接感知、记忆、技能与控制，真机反馈驱动持续改进。

普通人什么时候能用上这类机器人？

家庭场景还早。这类方法先在结构化场景落地，逐步扩展到半结构化，最后才可能进入家庭，整个过程可能需要五年以上。