中国物理AI大突破：PhysBrain 1.5登顶全球开源榜一，空间智能与GPT-6 Astra并驾齐驱
内容提要
深度机智发布物理基座模型PhysBrain 1.5，在28项基准测试中综合得分72.5，居开源模型首位，与GPT-6 Astra、Gemini 3.6 Flash差距缩至1分内。该模型基于人类学习路线，用人类交互视频训练，统一理解、动作生成与未来预测能力，并全面开源2B与8B版本。
延伸解读
从“拼接”到“统一”：物理AI的架构转向
文章指出，过去物理AI系统常由理解、动作、预测三个独立模型拼接而成，每个子模型需单独训练调优。PhysBrain 1.5将这三项能力纳入同一自回归主干与训练框架，使理解提供场景证据、动作生成延续交互、未来预测给出前瞻信号，三者互为输入与约束。这种统一架构旨在让物理智能循环在模型内部闭环，而非依赖外部模块协调，代表了构建方式从“拼装专用模块”向“训练统一基座”的转变。
人类视频为何成为物理智能的数据起点
文章强调，若训练数据只记录“世界长什么样”，而缺失“人在什么情境下采取什么动作、动作后世界如何变化”，模型难以学到物理交互规律。深度机智以Ego360体系采集全景视频，同步保留全身姿态、手部运动与任务级语音，使交互片段具备连续的任务与状态上下文。其技术路线明确“物理感知的预训练监督完全来自人类交互视频”，将人类经验视为物理智能循环的第一性来源，这构成了与碎片化操作数据不同的数据路径。
2B版本的价值：轻量但不“缩水”
除8B版本外，PhysBrain 1.5同步开源2B版本，在28项测试中取得66.6分。按官方规则，2B版本仅作参考、不参与开源排名，但其数值已超过表中其他非PhysBrain开源参评模型，包括30A3B的Hy-Embodied-VLM-1.0、8B的Embodied-R1.5和9B的RynnBrain 1.1。文章认为，2B版本并非8B的“展示性缩小版”，而是在显著降低参数规模后仍保留相当完整的具身理解能力，为开发者降低了试用、部署与二次开发门槛。
精细操作仍是物理AI的共性瓶颈
文章引用Robocurve实验：GPT-6 Astra在20次“积木放入碗”任务中完成19次，但在“蓝色拼图块对位插入凹槽”这类毫米级精细任务上，成功率从95%降至10%。这一对比说明，通用大模型积累的理解能力可跨越“看懂”到“粗动作”的鸿沟，却仍在“精细接触、精准插入”面前止步。文章由此指出，仅靠语言模型的通用能力并不足够，物理智能需要专门的基础模型，这也是全行业共同的瓶颈与后来者的机会窗口。
Q&A
PhysBrain 1.5是什么？它由哪家公司发布？
PhysBrain 1.5是深度机智发布的物理基座模型，于2026年9月9日正式推出。
PhysBrain 1.5在基准测试中的表现如何？
在28项公开基准上取得72.5的综合均分，位居参评开源模型首位，与GPT-6 Astra（73.3）和Gemini 3.6 Flash（73.0）的差距收窄到1分以内。
PhysBrain 1.5开源了哪些内容？
全面开源技术报告、2B与8B模型权重、评测工具包，均已上线Hugging Face。
PhysBrain 1.5的Physical Loop是什么？
Physical Loop是深度机智提出的物理智能循环统一架构，将观察世界、理解空间与任务、判断动作后果、执行、反馈修正五步能力组织进同一个基座模型。
PhysBrain 1.5的训练数据来自哪里？
训练数据完全来自人类交互视频，基于Ego360人类全景真实数据体系，保留全身姿态、手部运动与任务级语音。
PhysBrain 1.5-2B版本有什么特点？
2B版本取得66.6分，虽不参与开源排名，但综合得分超过所有其他非PhysBrain开源参评模型，在降低参数规模后仍保留完整的具身理解能力。
PhysBrain 1.5与GPT-6 Astra在具身任务上的对比如何？
GPT-6 Astra在积木放入碗任务中20次完成19次，但在毫米级精细任务上成功率从95%掉到10%，说明通用大模型在精细操作上仍有鸿沟，物理智能需要专门的基础模型。
深度机智的全栈布局包括哪些部分？
包括Ego360数采、PhysBrain基座模型、Human-as-Humanoid转换框架和Prime系列本体，形成数据、大脑与本体协同的完整闭环。
