蘋果 AMP1 機械手臂實測108次成功104次

蘋果（AAPL）研究團隊開發的機器人控制系統 AMP1，在實體機械手臂測試中108次成功104次。同一測試中，專用控制模型 FLUX 3 Action 成功49次，π0.5成功30次。

研究團隊於6日在 arXiv 預先公開論文《On Agentic Manipulation Policies》，說明 AMP1 的架構與測試結果。這套系統讓通用 AI 模型撰寫並執行 Python 程式來操控機械手臂，並在任務進行期間根據新取得的觀察資訊重新決定下一步動作。

AMP1 的控制系統會把攝影機畫面、深度資訊與機器人狀態傳送給模型。模型撰寫的程式會在持續運作的 Python 直譯器中執行，並能查詢機器人狀態或要求手臂移動。

基本系統沒有預先設定抓取、推動或放下物體等動作技能。模型會觀察物體和周遭環境，再組合所需動作，規劃完成任務的方法。

研究所稱的「零樣本」，是指測試前沒有針對個別任務提供示範動作、預先練習或額外訓練。研究團隊將基本控制架構套用在單臂、雙臂與移動式機器人上，只調整機器人和攝影機配置的說明。

研究團隊以視覺語言行動（VLA）模型與世界行動模型（WAM）作為專用策略的比較對象。這類模型會學習根據機器人的觀察結果採取動作，通常仰賴機器人示範資料或針對個別任務進行訓練。

在包含120項任務的 RoboLab-120 模擬測試中，AMP1 連接 Gemini 4 Argon 時成功率為85.6%，連接 Claude Opus 5.5 時為82.8%。論文列出的 VLA 與 WAM 最佳策略，成功率分別為49.2%與42.9%。

這些結果不代表 AMP1 勝過所有採用通用模型的機器人系統。論文也指出，另行評估的代理型策略 Astranomy 連接 GPT-6 Astra 後，在 RoboLab-120 的成功率為74.8%。

AMP1 在其他模擬任務組合也有測試結果。連接 Gemini 4 Argon 時，系統在 LIBERO-PRO 的成功率為95.2%、robosuite 為100%、BEHAVIOR-1K 為96%。這些數字分別來自不同的任務組合。

實體測試使用 Franka Research 3 機械手臂，並在三種平台配置上進行。各配置的攝影機校正、線路、零件磨損與周遭背景不同；AMP1 連接的是 Claude Opus 5.5。

測試包含12種任務，從移動單一物體，到辨識多個目標並依序擺放都有涵蓋。其中也有「把除錘子以外的所有工具放進容器」這類需要辨識目標並判斷動作順序的任務。

實體測試中，AMP1 108次成功104次；FLUX 3 Action 成功49次，π0.5成功30次。

不過，各系統的錯誤處理條件不同。機器人因碰撞等狀況中斷動作時，AMP1 可以嘗試復原並重新執行；比較模型若發生控制錯誤，該次測試便會結束。關閉 AMP1 的復原功能後，其成功次數降至108次中的94次。

只計算成功測試時，AMP1 平均完成時間為280秒，其中模型推論與程式執行等時間占211秒。FLUX 3 Action 平均需44秒，π0.5則需62秒。

模型選擇與感測資訊也會影響結果。在 RoboLab-120 中，AMP1 連接 Haiku 5.5 時成功率為51.6%，低於連接 Claude Opus 5.5 時的82.8%。Opus 5.5 在沒有深度資訊時成功率為81.1%；深度資訊與攝影機校正資訊都缺少時，成功率為75.8%。若以文字描述取代影像，成功率則降至36.8%。

蘋果先前的 HALO 人形機器人自主控制系統研究，曾在6個實際室內場地測試單一任務共360次，平均成功率為91%。HALO 研究聚焦人形機器人的室內任務執行；這次 AMP1 研究則測量機械手臂的物體操作表現與判斷時間。蘋果研究團隊的論文《On Agentic Manipulation Policies》列有實驗數據與比較條件。