XPENG于2026年11月4日公布GroundingPI，这是由XPENG、北京大学、香港大学等机构研究人员参与开发的开源视觉感知基础模型，面向Physical AI和具身智能场景。该模型约40亿参数，研究团队称其在覆盖11类能力的34项感知基准中取得73.68的平均分，高于其评测中的GPT-6 Astra得分71.54。不过，这一比较仅针对指定视觉感知基准，不代表整体推理能力或通用智能水平。XPENG官方发布说明
GroundingPI的重点不是直接生成机器人动作，而是提升系统对物体、位置和空间关系的理解。例如，模型需要识别“右侧杯子的把手”并给出相应点位或边界框。其训练和评测覆盖目标检测、密集目标定位、指代表达定位、文字识别、文档布局理解、用户界面元素识别和机器人空间定位等任务，体现出从“看见物体”向“精确理解可交互位置”的转变。
官方披露的下游结果主要来自仿真和离线评测。在RoboCasa-GR1模拟实验中，使用GroundingPI作为视觉骨干的机器人学习系统，使用50%的示范数据时，任务成功率高于对比模型使用75%示范数据的结果；在RoboTwin 2.0的四种分布外环境设置中，研究团队也报告了更强的适应表现。此外，模型接入nuScenes数据集进行自动驾驶感知评估时，报告的开放环轨迹预测平均误差为0.296米。
这项工作的意义在于，它提出了将专门化视觉感知模型与更高层次的推理、规划和动作学习模块组合，而不是让一个通用模型承担所有能力。若相关结果能在真实机器人和复杂动态环境中复现，具身智能系统可能减少部分动作示范数据需求，并改善对陌生物体、背景和场景变化的适应能力。但目前证据仍限于研究团队公布的基准、仿真和离线实验，不能据此判断已经具备商业部署能力。XPENG同时强调，该项目是由其支持的学术研究贡献，并不等于已集成到商业产品，也不构成未来部署承诺。研究论文、代码和模型权重已公开，具体使用仍需遵守相应开源及第三方许可。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
