一項名為 StationeryBench 的新機器人基準測試，為 OpenAI 的 GPT-6 Astra 在空間推理能力上提供了早期證據。測試將 Astra 與 Ai2 的 MolmoAct2 放在同一套雙機械臂 YAM 機器人上對比，任務圍繞桌面物體操作展開，包括開啟馬克筆筆帽、倒出回形針、在兩條機械臂之間傳遞直尺等五類動作。兩款模型各進行 200 次試驗。

結果差距明顯：Astra 在 100 項任務中完整完成了 7 項，而 MolmoAct2 一項都沒能完成。若看部分完成度，Astra 的中位進度分為 46/100，MolmoAct2 僅為 12。所有結果、影片與程式碼均已釋出在 GitHub 上。

這一成績之所以受到關注，是因為它出現在機器人操作這一長期被視為大模型短板的領域。康奈爾大學與 Google DeepMind 的研究員 Yoav Artzi 將 Astra 的表現稱為空間推理的「階躍式變化」。他還提到，在尚未公開發布的 REMAP 基準上，GPT-Astra 的準確率已接近人類水平。不過 Artzi 也提醒，在其他場景中「即便是 Astra 也達不到人類的表現」，說明這一進步仍有邊界。

Artzi 推測，OpenAI 可能用大量 3D 資料訓練了該模型，例如 Blender 場景。這一猜測與 Astra 在 3D 任務上的突出改善相吻合。如果屬實，它指向一條不同於純文本或 2D 影像訓練的路徑：讓模型在三維空間中建立對物體位置、朝向與操作順序的理解。

從產業視角看，空間推理能力的提升對具身智慧與機器人訓練有直接含義。傳統機器人操作依賴大量真實世界試錯或精細的模擬環境，而一個具備更強空間理解的基礎模型，可能降低對特定任務資料的依賴，並讓同一模型遷移到更多桌面操作場景。OpenAI 本身也有自建消費級機器人的長期計劃，這類基準成績因此不只是學術指標，也可能反映其機器人路線的技術儲備。

需要強調的是，StationeryBench 的絕對完成率仍然很低——Astra 只完整完成了 7% 的任務，說明從「部分理解」到「可靠執行」之間仍有明顯距離。MolmoAct2 的零完成率也提示，當前不同模型在物理操作上的能力分化可能非常大。這些早期基準結果能否推廣到更復雜的真實環境，尚待更多獨立驗證。