小鹏开源 GroundingPI：4B 感知基础模型在 34 项基准上超越 GPT-6 Astra

XPENG 11 月 4 日发布 GroundingPI，一个面向具身智能的感知基础模型：约 40 亿参数，专注视觉定位、物体检测、OCR、文档布局、GUI 元素识别与机器人空间定位等 11 类感知能力，在 34 项公开感知基准上均分 73.68，超过 GPT-6 Astra 的 71.54（官方评测，非第三方独立复核）。研究由 XPENG 与北京大学、香港大学等机构联合完成，论文、代码与权重全部开源（Apache 2.0）。

技术路线是「感知优先」：不依赖机器人动作标签训练感知模型，而是先建立强健的视觉基础能力，再供下游动作学习系统使用。在 RoboTwin 2.0 仿真中，GroundingPI 作为视觉骨干在 4 种分布外设置下均优于主流视觉骨干；在 nuScenes 自动驾驶感知测试中，作为视觉骨干的平均开环轨迹预测误差为 0.296 米。官方称其可将机器人演示数据采集成本降低一半（用 50% 数据达到对比模型 75% 数据时的执行成功率）。

官方明确表示这是学术研究探索，下游结果基于仿真与离线评测，不构成商业化部署承诺。

原文链接：XPENG 官方新闻稿