Una tarjeta de título generada con el titular «GPT-6.2 Astra lidera la tabla de robots SO-101» y el subtítulo «1,984 DCR · 22.1% de éxito en tarea completa · 122 comparaciones ciegas» y la leyenda «RoboColosseum SO-ARM101 Open Track · calificación calculada el 20 de noviembre de 2026», junto a un brazo robótico de trazo fino y un gráfico de barras ascendente. El logotipo de OrcaRouter está integrado en la esquina inferior derecha.
Guides & Insights

GPT-6.2 Astra encabeza la tabla de robots SO-101: 22% de éxito

Autor

Elias Hawthorne

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

La tabla de clasificación SO-ARM101 de RoboColosseum tiene un nuevo primer puesto, y lo que ocupa ese puesto no es una política de robot. GPT-6.2 Astra subió a 1.984 en la escala DCR del sitio, con Claude Fable 5.2 en segundo lugar con 1.803, Claude Opus 5.5 en tercer lugar con 1.666, el mejor checkpoint de visión-lenguaje-acción ajustado —pi0.5 de Physical Intelligence— en cuarto lugar con 1.526, y la generación anterior, GPT-6 Astra, en quinto lugar con 1.393. OpenAI lanzó GPT-6.2 Astra el 17 de noviembre de 2026; la calificación se calculó el 20 de noviembre a las 19:46 UTC y Greg Brockman lo amplificó en X a primera hora de la mañana siguiente. Eso es todo el anuncio. Lo que la cita no recoge es el resto de la fila: una tasa de éxito en tareas completas del 22 %, una ventaja que la tabla de clasificación registra como dentro de las barras de error, y una muestra de 122 comparaciones a ciegas realizadas en escenas que el modelo nunca había visto.

Lea el ranking como un resultado y lo malinterpretará. Léalo como una instantánea de una evaluación que todavía se está completando, sobre la más barata y la menos ejercitada de las tres principales placas de robot del proyecto, y dice algo más útil: sobre la rapidez con que un modelo de propósito general cierra una brecha que las políticas de manipulación especializadas tardaron un año en construir, y sobre qué poco de esa brecha puede certificar en realidad la muestra actual.

Qué mide RoboColosseum y qué no

A screenshot of the RoboColosseum arXiv abstract page for 'RoboColosseum: Evaluating Physical Intelligence at Scale In-The-Wild', 34 pages, version 1 posted 2 November 2026, listing the author affiliations and the abstract describing distributed real-world evaluation across partner sites and scenes.

RoboColosseum es un marco de evaluación distribuido más que un laboratorio. El artículo que lo respalda, arXiv 2611.02497, se publicó el 2 de noviembre de 2026 por un grupo que abarca NUS MAGIC Lab, Hugging Face, EAIC Singapore y BitRobot; la lista de autores incluye a Dieter Fox, Siddhartha Srinivasa, Thomas Wolf, Harold Soh y David Hsu. La premisa es que las políticas de robots no se pueden evaluar desde un portátil, por lo que el proyecto las ejecuta en hardware real operado por socios en 124 sitios en su estudio inicial, en más de 194 escenarios y 8.237 instrucciones distintas escritas en el momento por un evaluador. Cada rollout se publica en Hugging Face en formato LeRobot, incluidas las fallas.

La métrica es donde más se equivoca la cobertura, así que vale la pena decirlo sin rodeos. El sitio mantiene dos registros para cada política: un registro W/T/L de comparaciones por pares a ciegas, en las que un evaluador humano observa dos ejecuciones de la misma instrucción en la misma escena y elige la mejor o declara un empate; y una calificación DCR, que se ajusta a partir de los resultados de éxito de la tarea completa tras calibrar la dificultad que resultó tener cada tarea. La tabla de clasificación lo dice por sí misma, en una frase que no ha llegado a un solo tuit sobre el resultado: DCR es "una Calificación Rasch Calibrada por Dificultad (DCR) (escala Elo); no debe interpretarse como una calificación Elo obtenida mediante actualizaciones Elo secuenciales".

Esa distinción no es pedantería. Un número Elo se mueve cada vez que se juega un enfrentamiento; una estimación de Rasch es un ajuste conjunto de la habilidad de la política y la dificultad de la tarea, y cambia cuando cambia cualquiera de los dos lados de ese ajuste. Presentar el tablero del SO-101 como «clasificaciones Elo» —que es como se describió el resultado en X— toma una estimación a posteriori y la disfraza de marcador en directo. Los dos se parecen en un gráfico, y por eso precisamente la confusión perdura. El DCR además exige al menos 20 comparaciones elegibles antes de que una política se clasifique siquiera, y deliberadamente no utiliza el registro de victorias-derrotas-empates: dos políticas pueden tener líneas de V/D/E muy distintas y aun así quedar separadas por el ajuste basado en el éxito. Tenlo presente cuando los números de abajo parezcan contradecirse entre sí.

El tablero, de arriba a abajo

A screenshot of the RoboColosseum SO-ARM101 leaderboard, Open track, headed 'SO-ARM101 · Open track' with the leader's DCR rating of 1,984, a ±96 posterior interval, a +181 lead over second place marked as inside the error bars, and ten ranked policies with their comparison counts and win/tie/loss records.

El SO-ARM101 es el brazo de código abierto impreso en 3D del ecosistema LeRobot — el que el artículo describe como diseñado para reconstruirse de forma idéntica en distintas ubicaciones, de modo que un resultado recogido en Singapur pueda reproducirse en un laboratorio en otro lugar. Sobre él se clasifican diez políticas. A fecha de la actualización del 20 de noviembre:

• GPT-6.2 Astra — 1,984, 122 comparaciones, 95 victorias / 18 empates / 9 derrotas, 27 éxitos completos

• Claude Fable 5.2 — 1,803, 112 comparaciones, 62 / 23 / 27, 21 éxitos

• Claude Opus 5.5 — 1,666, 187 comparaciones, 98 / 57 / 32, 9 éxitos

• pi0.5 — 1,526, 194 comparaciones, 66 / 57 / 71, 9 éxitos

• GPT-6 Astra — 1.393, 183 comparaciones, 75 / 62 / 46, 5 éxitos

• Grok 4.7 — 1,366, 181 comparaciones, 37 / 79 / 65, 4 éxitos

LingBot-MolmoAct2 — 1.259, 214 comparaciones, 42 / 92 / 80, 5 éxitos

• GR00T N1.7 — 1,233, 219 comparaciones, 31 / 92 / 96, 3 éxitos

• MolmoAct2 — 1,122, 216 comparaciones, 40 / 83 / 93, 3 éxitos

• G0.5 — 1,095, 207 comparaciones, 18 / 94 / 95, 1 éxito

De esa lista se desprenden inmediatamente dos cosas. La primera es que los tres primeros son todos modelos de lenguaje de frontera impulsados mediante un harness de programación, no políticas de manipulación ajustadas finamente; el mejor VLA especialista, pi0.5, es cuarto. La segunda es que Claude Opus 5.5 tiene el mayor número de victorias absolutas en la tabla —98, tres más que Astra— y termina tercero, porque también tiene 57 empates y solo nueve éxitos completos. La línea de Astra es la inversa: menos comparaciones, muchos menos empates y el triple de tareas completadas. Sea lo que sea que esté haciendo el harness, está convirtiendo el progreso parcial en ejecuciones terminadas, y para eso está diseñado DCR: para recompensarlo.

Veintidós por ciento es el número

Veintisiete éxitos de 122 comparaciones suponen el 22,1 %. Es la tasa de éxito más alta en la tarea completa de la tabla de SO-ARM101, y significa que aproximadamente cuatro de cada cinco intentos no completan la instrucción. Las tareas no son exóticas: las ejecuciones publicadas incluyen «Coloca la taza dentro de la sartén», «recoge la caja amarilla y ponla en el plato», «Gira el rotulador 90 grados en sentido horario», «toca el bolígrafo azul» y «recoge el tenedor y luego recoge el cuchillo». Las escenas son mesas corrientes: NUS COM3, una mesa exterior en una terraza, un lugar fuera del MAGIC Lab.

Que un líder falle cuatro de cada cinco ejecuciones es el contexto más importante para el titular, y concuerda con todo lo que el proyecto ha publicado. El artículo de noviembre informa que, en sus seis categorías de manipulación, «ningún sistema evaluado supera el 13 % de éxito en ninguna categoría», y que MolmoAct2, el VLA más fuerte según la puntuación de comparación esperada, solo alcanzó entre el 58 % y el 77 % en la medida relativa, mientras que sus tasas de éxito absoluto se situaban entre el 6 % y el 13 %. La tabla de clasificación que estás viendo no es una tabla de robots que puedan hacer la tarea. Es una tabla de sistemas que cada vez son mejores para no fallar por completo.

La tasa de éxito es también la única cifra de la fila que la métrica no puede inflar. Una calificación DCR depende de la calibración de dificultad, que depende de cómo el ajuste agrupa las tareas entre políticas; un recuento de éxitos no. Veintisiete es veintisiete. Si quieres comparar GPT-6.2 Astra con cualquier cosa de esa lista sin discutir sobre modelos Rasch, compara 27 con 21 con 9 con 5.

La ventaja está dentro de las barras de error

RoboColosseum traza una desviación estándar posterior de ±1 alrededor de cada calificación, y afirma en la misma línea que la «Ventaja sobre el #2» del líder, de +181 puntos, se sitúa «dentro de las barras de error». Ese es el propio resumen que el sitio hace de su propio resultado, impreso junto al número en lugar de enterrado debajo de él.

Coloca las bandas de ±1 desviación estándar una al lado de la otra y la advertencia cobra sentido. Las de Astra van de aproximadamente 1,888 a 2,080; las de Claude Fable 5.2, de aproximadamente 1,712 a 1,894. Se solapan en una ventana de unos pocos puntos alrededor de 1,890, y la diferencia de 181 puntos entre ambas estimaciones equivale a cerca de 1,4 desviaciones estándar combinadas, lo que no basta para considerarla una ventaja en lugar de un desempate. Las 122 comparaciones de Astra son suficientes para clasificarlo primero, pero no para afirmar con confianza que sea mejor que el modelo en segundo lugar. La diferencia entre el primero y el tercero es más amplia y clara —1,984 frente a 1,666—, pero también es una comparación entre un modelo con 122 comparaciones y otro con 187, en una tabla donde todas las demás políticas tienen más muestras que el líder.

Esto no es un defecto exclusivo del resultado. Es el aspecto que tiene una tabla de 1.017 comparaciones. A modo de comparación, la tabla Franka del mismo proyecto tiene 5.643 comparaciones y la tabla Bimanual-YAM, 4.517; SO-ARM101 es la más delgada de las tres por un factor de aproximadamente cinco, con 78 escenas y 70,3 horas de robot detrás. Un recién llegado puede alcanzar el primer puesto aquí más rápido que en cualquier otra tabla del conjunto. Eso es una propiedad de la tabla, no del modelo, y seguirá siendo cierto la próxima vez que se lance un modelo.

Por qué un modelo de lenguaje está en una placa de robot

El hecho estructural más interesante de esta tabla de clasificación es que mezcla dos tipos de sistema que normalmente se mantienen separados. Cinco de las diez políticas son puntos de control visión-lenguaje-acción —pi0.5, GR00T N1.7, MolmoAct2, LingBot-MolmoAct2, G0.5— entrenados con datos de robots y, en la Pista de Ajuste Fino, ajustados con 100 demostraciones por tarea. Los otros cinco son agentes de frontera: GPT-6.2 Astra, GPT-6 Astra, Claude Fable 5.2, Claude Opus 5.5 y Grok 4.7, cada uno conectado mediante una infraestructura de servicio y al que se deja escribir por sí mismo el código de movimiento. El artículo lo dice directamente: los agentes de frontera "participan exclusivamente en la Pista Abierta", mientras que los modelos VLA utilizan puntos de control específicos para cada encarnación.

Ese diseño es la razón por la que el resultado es siquiera legible, y por la que no debería interpretarse como una afirmación sobre modelos de robótica. GPT-6.2 Astra no ha sido entrenado con trayectorias de SO-101. No ha sido afinado para las tareas. Se le pide que observe transmisiones de cámara, razone sobre una mesa y emita comandos de movimiento, lo cual es una prueba de competencia general aplicada a un bucle físico en lugar de una prueba de habilidad de manipulación. El hecho de que esto supere a una política entrenada específicamente para el brazo es la historia; la tasa de éxito del 22 % es el precio de hacerlo así.

La propia comprobación de encarnación cruzada del artículo es el correctivo. Los rankings de políticas muestran "una débil concordancia entre conjuntos de tareas específicos de cada encarnación", con una W de Kendall de 0,24 — lo que se acerca a ninguna concordancia en absoluto. π0.5 ocupa el primer puesto en Franka y Bimanual-YAM y el cuarto en el humanoide G1; GR00T N1.7 lidera SO-ARM101 tras el ajuste fino y termina cuarto en los otros dos. Un número obtenido en un brazo no se transfiere, y GPT-6.2 Astra solo se ha ejecutado en este. Está ausente por completo del tablero de Franka, donde la generación anterior, GPT-6 Astra, actualmente lidera con 1,915.

Un día, 122 comparaciones

La publicación que inició esto dice que el modelo fue sometido a «cientos de comparaciones directas en condiciones reales» en «solo UN DÍA». La tabla atribuye a GPT-6.2 Astra 122. Ambas cifras pueden ser ciertas —la arena realiza comparaciones entre todas las políticas que contiene, y el rendimiento diario supera holgadamente los cientos—, pero solo una de ellas es la muestra detrás de 1,984, y es la más pequeña.

Conviene precisar la cronología, porque «un día» está haciendo un trabajo retórico. O​penAI lanzó GPT-6.2 Astra el 17 de noviembre. La calificación del tablero SO-ARM101 lleva una marca de tiempo de cálculo del 20 de noviembre, 19:46 UTC, y la comparación más reciente de la arena se registró esa misma mañana a las 09:49 UTC. Por tanto, las 122 comparaciones se acumularon a lo largo de unos tres días de un tablero en vivo, no de veinticuatro horas de una ejecución dedicada. El sitio se actualiza cada hora, lo que significa que el número que ves es una estimación en movimiento y no un resultado terminado; y significa que un cambio de ranking de uno o dos puestos está perfectamente dentro de lo que puede producir la siguiente actualización.

Nada de esto hace que el resultado sea incorrecto. Lo hace provisional de una manera específica y comprobable: la dirección está clara, la magnitud aún no está determinada, y cualquiera que cite 1,984 como una cantidad fija está citando un ajuste que cambiará.

Cuánto cuesta el rango

A generated single-model scoreboard titled 'GPT-6.2 Astra — the scoreboard' with the rows 'DCR rating: 1,984', 'Full-task success rate: 22.1%', 'Blind comparisons: 122', 'Win / tie / loss: 95 / 18 / 9', 'Lead over #2: +181, inside the error bars' and 'Price: $8 in / $40 out per million tokens', over the footer 'Figures per the RoboColosseum SO-ARM101 board, rating computed 20 November 2026 19:46 UTC.' The OrcaRouter logo is composited in the bottom-right corner.

Aquí es donde el ruido se convierte en una decisión de compra y no en una nota a pie de página metodológica. En la tabla de SO-ARM101, los dos modelos principales figuran al mismo precio. GPT-6.2 Astra cuesta 8 $ por millón de tokens de entrada y 40 $ por millón de salida; Claude Fable 5.2 cuesta 8 $ y 40 $; GPT-6 Astra, tres puestos más abajo, cuesta 10 $ y 50 $. Claude Opus 5.5, en tercer lugar, cuesta 4 $ y 20 $ —la mitad del precio de entrada de Astra y la mitad del de salida—, y pi0.5, la mejor política especializada de la tabla, es de pesos abiertos y se puede servir gratis en tu propio hardware.

• Puesto 1 — GPT-6.2 Astra, 1.984 DCR, $8 de entrada / $40 de salida por millón de tokens

• Puesto 2 — Claude Fable 5.2, 1.803 DCR, $8 / $40

• Puesto 3 — Claude Opus 5.5, 1.666 DCR, $4 / $20

• Puesto 4 — pi0.5, 1,526 DCR, pesos abiertos

• Puesto 5 — GPT-6 Astra, 1,393 DCR, $10 / $50

Si lo lees como una curva de costes, la clasificación deja de ser lo interesante. Pasar del tercero al primero duplica la factura por token y compra un liderazgo que, según el propio tablero, está dentro de los márgenes de error. Pasar del quinto al primero ahorra un 20% y compra 591 puntos DCR, el mayor salto de una sola generación del tablero; pero también significa que la generación anterior es ahora la opción más cara, el tipo de inversión que solo aparece cuando miras la columna de precio junto al puesto.

En cualquier cosa que se ejecute en bucle, esa aritmética se multiplica. Una ejecución de manipulación no es una sola solicitud; es una larga secuencia de llamadas, la mayoría de ellas con fotogramas de cámara y una transcripción cada vez mayor, y el precio por token se multiplica en cada paso. Un modelo que completa el 22 % de las tareas y cuesta 8 dólares por millón de tokens de entrada es una compra distinta de uno que completa el 5 % y cuesta 10, y la diferencia no se ve en absoluto en la tabla de clasificación.

GPT-6.2 Astra todavía no está en el catálogo de OrcaRouter, así que la respuesta honesta para cualquiera que quiera invocarlo es la propia API del proveedor. Lo que sí incluye el catálogo es el resto de esa columna: GPT-6 Astra a $10 y $50, GPT-6.1 Sol a $2 y $10, y Claude Opus 5.5 a $4 y $20, todos con 0% de recargo sobre el precio de lista del proveedor, por lo que una rebaja de precio del proveedor llega a nuestro lado el mismo día que llega al suyo. Ejecutar la misma tarea en tres de esos modelos y comparar las ejecuciones terminadas es el experimento más barato de esta página, y es el que la tabla de clasificación te pide hacer en lugar del que está reportando.

¿Qué cambiaría el veredicto?

Tres cosas convertirían un primer puesto provisional en uno definitivo, y las tres son observables.

Lo primero es la muestra. SO-ARM101 necesita varios cientos de comparaciones por política antes de que sus intervalos se estrechen hasta el ancho de los de la tabla de Franka. La banda de GPT-6.2 Astra tiene 376 puntos de ancho con un 95 % de credibilidad; el líder de Franka, el GPT-6 Astra de la generación anterior, se sitúa en una banda de unos 185 puntos de ancho sobre 194 comparaciones. Cuando la muestra de Astra se duplique aproximadamente, la pregunta de si está genuinamente por delante de Claude Fable 5.2 se responde por sí sola.

El segundo es una segunda encarnación. Un modelo que lidera un brazo y nunca se ha ejecutado en otro es un punto de datos, no una afirmación de capacidad, y la W de Kendall de 0,24 del artículo es la propia admisión del proyecto de que las clasificaciones no viajan. Si GPT-6.2 Astra aparece en la tabla de Franka o Bimanual-YAM en un rango similar, el resultado de SO-101 deja de ser un artefacto de una tabla escasa.

El tercero es el Fine-tune Track. El artículo informa que, tras el ajuste fino con 100 demostraciones por tarea, GR00T N1.7 supera a SO-101 —y GR00T N1.7 ocupa actualmente el octavo puesto en la tabla abierta, con un 1,37 % de éxito y 219 comparaciones. Esa es la línea más útil de todo el conjunto de datos: la política que gana cuando todos reciben las mismas demostraciones está cerca del fondo cuando nadie las recibe, y el agente de frontera que gana la pista abierta no es el que cualquiera elegiría para desplegar. Dos preguntas distintas, dos ganadores distintos, y solo una de ellas es lo que un equipo de robótica realmente necesita responder antes de lanzar.

Hasta entonces, el resumen justo del 20 de noviembre es limitado y merece formularse con precisión. Un modelo de propósito general, con cuatro días de vida, llegó a lo más alto de una clasificación de robots reales al completar el 22 % de sus tareas, en 122 comparaciones a ciegas, frente a un conjunto que incluye las políticas especializadas creadas para ese brazo; y el sitio que publicó la clasificación es el primero en señalar que la ventaja está dentro del ruido.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario