知识卡片：英伟达开源机器人框架ASPIRE，接入GPT-6 Astra后近乎满分

一句话结论

英伟达开源机器人框架 ASPIRE V1.0，用编程 Agent 为机器人编写控制程序、依据多模态轨迹复盘失败并迭代代码、把有效方法沉淀为技能库；换用 GPT-6 Astra 后，LIBERO-Pro 80 项任务成功率达 99%，Robosuite 与 BEHAVIOR-1K 代表性任务全部 100%。

事件概述或研究问题

ASPIRE 要解决的是“机器人控制程序由 Agent 自动编写并持续改进”的问题：Agent 不只生成一次代码，而是执行任务后依据多模态轨迹复盘失败原因、修改代码，并把被验证有效的做法存入技能库复用。本条属于英伟达在机器人 Agent 方向的框架开源动作，与已有的英伟达开源全双工语音模型属于不同产品线，不构成同一事实的重复。

方法/产品要点

• 开源版本：ASPIRE V1.0，由英伟达开源。
• 工作闭环：编程 Agent 写控制程序 → 机器人执行任务 → 多模态轨迹复盘失败 → 改代码 → 有效方法入库。
• 技能库规模：已有 90 多项 Skill，覆盖 150 多个任务。
• 可替换底座模型：框架可接入不同大模型，材料给出的对比是默认配置与 GPT-6 Astra。

主要结果或产业意义

• 零样本长程任务：在 LIBERO-Pro Long 未见长程任务上，零样本成功率 31%，此前方法仅 4%。
• 换用 GPT-6 Astra 后：LIBERO-Pro 80 项任务成功率 99%；Robosuite 与 BEHAVIOR-1K 代表性任务全部 100%。
• 产业侧信号：结果高度依赖底座模型能力，说明“Agent 框架 + 强模型”组合可在机器人长程任务上带来数量级提升；技能库机制则指向可复用的经验沉淀路径。
• 人物观点：Jim Fan 称 Claude Opus 5.5 已略超 Astra（属个人表述，具体评测口径待核实）。

为什么重要

机器人的瓶颈长期在“控制程序怎么写、失败后怎么改”。ASPIRE 把这一环节交给编程 Agent，并用技能库把一次性成功转化为可积累资产；同时它显示框架效果与底座模型强绑定——同一框架在默认配置下零样本成功率 31%，接入 Astra 后接近满分，为判断“机器人 Agent 进展有多少来自框架、多少来自模型”提供了一个可对照的样本。相对于已有卡片中 GPT-6 Astra 在三维重建、浏览器操作、多智能体协作上的能力展示，本条补充的是其在机器人长程操作任务上的落地数据。

局限与不确定性

• 材料未披露 LIBERO-Pro Long、Robosuite、BEHAVIOR-1K 的具体评测配置、试次数量与统计口径，待核实。
• “默认配置”对应的底座模型未在材料中说明，31% 与 99% 的对比条件是否完全一致待核实。
• 99% 与 100% 属极高成功率，是否存在任务筛选或代表性任务抽样偏差，待核实。
• 技能库 90 多项 Skill 的迁移效果、跨机器人本体泛化能力未披露，待核实。
• Jim Fan 关于 Claude Opus 5.5 略超 Astra 的说法缺少评测细节，待核实。

可用于图书/PPT/简报的角度

• “框架 × 模型”双变量：用 31% → 99% 的对照说明机器人 Agent 的进展不能单独归因于框架或模型。
• 失败复盘即代码迭代：把“多模态轨迹复盘 → 改代码 → 入库”作为 Agent 自我改进的工程范式案例。
• 技能库作为经验资产：对比“每次重新生成”与“沉淀可复用 Skill”的成本结构差异。
• 开源策略：英伟达以开源框架拉动生态，与闭源模型能力形成互补关系。
• 审慎解读高分：以本条为例说明“近乎满分”类结果需要追问评测口径。

原始材料

• 来源：腾讯研究院AI速递 20261019（第八条外的第七条：英伟达开源机器人框架ASPIRE，接入GPT-6 Astra后近乎满分）
• 父级摘要：腾讯研究院AI速递 20261019
• URL：https://m.sohu.com/a/1089419880_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 英文标题（材料未给出，待核实）：ASPIRE V1.0
• 英文关键词：ASPIRE, NVIDIA, coding agent, robot control, skill library, LIBERO-Pro Long, Robosuite, BEHAVIOR-1K, GPT-6 Astra, zero-shot