arXiv 于 UTC 时间 9 月 1 日 17:58 发布的一篇预印本介绍了 Facet-0，作者将其称为一种机器人基础模型，能够“预测并评估其动作的接触后果”。在 五项亚毫米级计算机装配任务 中，这一经任务适配的系统实现了 82% 的平均成功率，而 最强基线为 15%，其 放置精度为 0.5 毫米，指令延迟为 50 毫秒。
该模型究竟预测什么
不是像素。该架构围绕一种联合的 action-wrench proposal 构建——wrench 指腕部的合力和扭矩。一个因果 wrench 历史会与视觉-语言语义和运动学状态对齐，flow matching 则生成每个动作片段，同时生成它预计会引发的未来腕部 wrench 曲线。随后，基于分布的 Action-Wrench Critic 会在部署回放数据上训练，用以区分那些看起来同样成功、但最终接触结果不同的动作。
常见叙事哪里说错了
2026 年的机器人基础模型故事通常被讲成视觉-语言-动作：把像素和文字给机器人，就能得到行为。但这一结果表明，在装配公差尺度上，视觉通道单独使用时几乎无效——最强的视觉主导基线只达到 15%。不过，在 82% 这一数字传播开来之前，有两点必须说清：其一，这一结果是在机器人上、针对具体零件、对轻量级有界 actor 进行自适应之后测得的，它并不是零样本通用模型的成绩；其二，它覆盖的是 同一实验室中的五项任务，尚未复现，而且只是未经同行评审的预印本。
“基础模型”这个说法承担了太多
训练语料 ManuFacet-1K 包含 1,000 小时 的力同步数据，覆盖 三种 embodiment 和多个制造单元。对于富接触操作而言，这已经是相当严肃的数据集；但与“基础模型”一词通常暗示的语料规模相比，这仍只是九牛一毛。更诚实的说法是：这是一款面向特定物理工况的专用模型，而不是通用模型。
为什么基准比赢家更重要
亚毫米级插入，正是人形机器人和工业机器人厂商不断向工厂承诺、却始终未能兑现的工作。无论如何看待 Facet-0 自己的数字，15% 的基线才是更有价值的数据：它公开量化了仅依赖视觉的策略，与真实装配所需公差之间的差距有多大。