
GPT-6.2 Astra è in testa alla classifica dei robot SO-101: 22% di successo
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 494 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 385 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 94 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
La classifica SO-ARM101 di RoboColosseum ha un nuovo primo posto, e ciò che lo occupa non è una policy per robot. GPT-6.2 Astra è salito a 1.984 sulla scala DCR del sito, con Claude Fable 5.2 secondo a 1.803, Claude Opus 5.5 terzo a 1.666, il miglior checkpoint visione-linguaggio-azione sottoposto a fine-tuning — pi0.5 di Physical Intelligence — quarto a 1.526, e la generazione precedente, GPT-6 Astra, quinta a 1.393. OpenAI ha rilasciato GPT-6.2 Astra il 17 novembre 2026; il punteggio è stato calcolato il 20 novembre alle 19:46 UTC e Greg Brockman l'ha amplificato su X la mattina presto del giorno successivo. Questo è tutto l'annuncio. Ciò che la citazione non riporta è il resto della riga: un tasso di successo del 22% sull'intera attività, un vantaggio che la classifica archivia come entro i margini di errore, e un campione di 122 confronti alla cieca effettuati in scene che il modello non aveva mai visto.
Leggi la classifica come un risultato e la interpreterai male. Leggila come un'istantanea di una valutazione ancora in fase di completamento, sulla più economica e meno sollecitata delle tre principali schede robot del progetto, e dice qualcosa di più utile — su quanto rapidamente un modello general-purpose colmi un divario che le policy di manipolazione specializzate hanno impiegato un anno a costruire, e su quanto poco di quel divario il campione attuale possa effettivamente certificare.
Cosa misura RoboColosseum e cosa non misura

RoboColosseum è un framework di valutazione distribuito, non un laboratorio. Il paper che lo sottende, arXiv 2611.02497, è stato pubblicato il 2 novembre 2026 da un gruppo che comprende NUS MAGIC Lab, Hugging Face, EAIC Singapore e BitRobot; l'elenco degli autori include Dieter Fox, Siddhartha Srinivasa, Thomas Wolf, Harold Soh e David Hsu. La premessa è che le policy robotiche non possono essere sottoposte a benchmark da un laptop, quindi il progetto le esegue su hardware reale gestito da partner presso 124 siti nel suo studio iniziale, su 194 scene e 8.237 istruzioni distinte scritte sul momento da un valutatore. Ogni rollout è pubblicato su Hugging Face in formato LeRobot, inclusi i fallimenti.
La metrica è il punto in cui la maggior parte della copertura sbaglia, quindi vale la pena affermarlo chiaramente. Il sito conserva due registri per ogni policy: un registro W/T/L da confronti a coppie in cieco, in cui un valutatore umano osserva due esecuzioni della stessa istruzione nella stessa scena e sceglie la migliore oppure dichiara un pareggio; e una valutazione DCR, che viene adattata dagli esiti di successo sull'intera attività dopo aver calibrato per quanto difficile si sia rivelata ciascuna attività. La classifica lo dice essa stessa, in una frase che non è finita in un solo tweet sul risultato: DCR è "una Difficulty-Calibrated Rasch (DCR) Rating (scala Elo); non dovrebbe essere interpretata come un rating Elo ottenuto tramite aggiornamenti Elo sequenziali."
Questa distinzione non è pedanteria. Un numero Elo cambia ogni volta che si gioca una partita; una stima Rasch è un fit congiunto tra l’abilità della policy e la difficoltà del compito, e cambia quando cambia uno dei due lati di quel fit. Riportare il tabellone SO-101 come «ranking Elo» — che è come il risultato è stato descritto su X — significa prendere una stima a posteriori e vestirla da tabellone segnapunti in tempo reale. Le due cose si somigliano su un grafico, ed è esattamente per questo che l’equivoco persiste. DCR richiede inoltre almeno 20 confronti ammissibili prima che una policy venga classificata, e non utilizza deliberatamente il record vittorie-sconfitte-pareggi: due policy possono avere linee W/T/L molto diverse ed essere comunque separate dal fit basato sul successo. Tenetelo a mente quando i numeri qui sotto sembrano contraddirsi.
La bacheca, dall'alto verso il basso

Il SO-ARM101 è il braccio open-source stampato in 3D dell’ecosistema LeRobot — quello che il paper descrive come progettato per essere ricostruito in modo identico in località diverse, così che un risultato raccolto a Singapore possa essere riprodotto in un laboratorio altrove. Su di esso sono classificate dieci policy. A partire dall’aggiornamento del 20 novembre:
• GPT-6.2 Astra — 1,984, 122 confronti, 95 vittorie / 18 pareggi / 9 sconfitte, 27 successi completi
• Claude Fable 5.2 — 1.803, 112 confronti, 62 / 23 / 27, 21 successi
• Claude Opus 5.5 — 1,666, 187 confronti, 98 / 57 / 32, 9 successi
• pi0.5 — 1.526.194 confronti, 66 / 57 / 71, 9 successi
• GPT-6 Astra — 1,393, 183 confronti, 75 / 62 / 46, 5 successi
• Grok 4.7 — 1,366, 181 confronti, 37 / 79 / 65, 4 successi
• LingBot-MolmoAct2 — 1,259, 214 confronti, 42 / 92 / 80, 5 successi
• GR00T N1.7 — 1,233, 219 confronti, 31 / 92 / 96, 3 successi
• MolmoAct2 — 1.122, 216 confronti, 40 / 83 / 93, 3 successi
• G0.5 — 1.095.207 confronti, 18 / 94 / 95, 1 successo
Due cose emergono subito da quell’elenco. La prima è che i primi tre sono tutti modelli linguistici di frontiera guidati tramite un harness di coding, non policy di manipolazione ottimizzate con fine-tuning; il miglior VLA specialista, pi0.5, è quarto. La seconda è che Claude Opus 5.5 ha il maggior numero di vittorie nette in classifica — 98, tre in più di Astra — e chiude terzo, perché ha anche 57 pareggi e solo nove successi completi. Il profilo di Astra è l’opposto: meno confronti, molti meno pareggi e il triplo dei task completati. Qualunque cosa stia facendo l’harness, sta convertendo progressi parziali in run concluse, ed è ciò che DCR è progettato per premiare.
Il ventidue per cento è il numero
Ventisette successi su 122 confronti corrispondono al 22,1%. È il tasso di successo sull'intero task più alto nella board SO-ARM101, e significa che circa quattro tentativi su cinque non completano l'istruzione. I task non sono esotici: i rollout pubblicati includono "Metti la tazza dentro la padella", "prendi la scatola gialla e mettila sul piatto", "Ruota il pennarello di 90 gradi in senso orario", "tocca la penna blu" e "prendi la forchetta, poi prendi il coltello". Le scene sono tavoli comuni: NUS COM3, un tavolo all'aperto su una terrazza, un punto all'esterno del MAGIC Lab.
Che un leader fallisca quattro volte su cinque è il contesto più importante in assoluto per il titolo, ed è coerente con tutto ciò che il progetto ha pubblicato. L'articolo di novembre riporta che, nelle sue sei categorie di manipolazione, "nessun sistema valutato supera il 13% di successo in alcuna categoria", e che MolmoAct2, il VLA più forte in base al punteggio di confronto atteso, ha raggiunto solo dal 58% al 77% sulla misura relativa, mentre i suoi tassi di successo assoluti si attestavano tra il 6% e il 13%. La classifica che stai guardando non è una classifica di robot in grado di svolgere il compito. È una classifica di sistemi che stanno migliorando nel non fallire completamente.
Il tasso di successo è anche l'unico dato sulla riga che non può essere gonfiato dalla metrica. Una valutazione DCR dipende dalla calibrazione della difficoltà, che dipende da come il fit raggruppa i task tra le policy; un conteggio dei successi no. Ventisette è ventisette. Se vuoi confrontare GPT-6.2 Astra con qualsiasi voce di quell'elenco senza discutere di modelli Rasch, confronta 27 con 21 con 9 con 5.
Il vantaggio rientra nel margine di errore.
RoboColosseum traccia una deviazione standard posteriore di ±1 attorno a ogni valutazione e afferma nella stessa riga che il "vantaggio sul n. 2" del leader di +181 punti rientra "all'interno delle barre d'errore". Questa è la sintesi del sito stesso del proprio risultato, stampata accanto al numero anziché nascosta sotto di esso.
Mettendo una accanto all'altra le bande a ±1 DS, l'avvertenza acquista senso. L'intervallo di Astra va da circa 1.888 a 2.080; quello di Claude Fable 5.2 va da circa 1.712 a 1.894. Si sovrappongono in una finestra di pochi punti intorno a 1.890, e il divario di 181 punti tra le due stime è di circa 1,4 deviazioni standard combinate: meno di quanto servirebbe per parlare di un vantaggio anziché di uno spareggio. I 122 confronti di Astra bastano per classificarlo primo, ma non per dire con una qualche sicurezza che è migliore del modello al secondo posto. Il divario tra primo e terzo è più ampio e più netto — 1.984 contro 1.666 — ma è anche un confronto tra un modello con 122 confronti e uno con 187, su una classifica in cui ogni altra policy ha più campioni del leader.
Non è un difetto esclusivo del risultato. È l'aspetto di una classifica con 1.017 confronti. Per confronto, la classifica Franka dello stesso progetto ha 5.643 confronti e quella Bimanual-YAM 4.517; SO-ARM101 è la più scarna delle tre, di un fattore di circa cinque, con 78 scene e 70,3 ore-robot alle spalle. Un nuovo arrivato può raggiungere il primo posto qui più rapidamente che su qualsiasi altra classifica del set. Questa è una proprietà della classifica, non del modello, e continuerà a essere vera la prossima volta che viene rilasciato un modello.
Perché un modello linguistico è su una scheda robotica
Il fatto strutturale più interessante di questa classifica è che mescola due tipi di sistema che di solito vengono tenuti separati. Cinque delle dieci policy sono checkpoint visione-linguaggio-azione — pi0.5, GR00T N1.7, MolmoAct2, LingBot-MolmoAct2, G0.5 — addestrati su dati robotici e, nel Percorso di fine-tuning, sottoposti a fine-tuning su 100 dimostrazioni per attività. Gli altri cinque sono agenti di frontiera: GPT-6.2 Astra, GPT-6 Astra, Claude Fable 5.2, Claude Opus 5.5 e Grok 4.7, ciascuno collegato tramite un'infrastruttura di serving e lasciato scrivere da sé il codice di movimento. L'articolo lo dice chiaramente: gli agenti di frontiera "partecipano esclusivamente al Percorso aperto", mentre i modelli VLA usano checkpoint specifici per l'embodiment.
È quel design a rendere il risultato leggibile, ed è sempre per quel design che non va interpretato come un'affermazione sui modelli di robotica. GPT-6.2 Astra non è stato addestrato su traiettorie SO-101. Non è stato fine-tuned sui task. Gli viene chiesto di guardare i feed delle telecamere, ragionare su un tavolo ed emettere comandi di movimento: un test di competenza generale applicata a un ciclo fisico, non un test di abilità di manipolazione. Il fatto che questo batta una policy addestrata specificamente per il braccio è la storia; il tasso di successo del 22% è il prezzo da pagare per averlo fatto in quel modo.
Il controllo cross-embodiment del paper stesso è il correttivo. Le classifiche delle policy mostrano «uno scarso accordo tra suite di task specifiche per embodiment», con una W di Kendall di 0,24 — valore vicino all'assenza totale di accordo. π0.5 è al primo posto su Franka e Bimanual-YAM e al quarto sull'umanoide G1; GR00T N1.7 guida SO-ARM101 dopo il fine-tuning e chiude al quarto posto sulle altre due. Un numero ottenuto su un braccio non si trasferisce, e GPT-6.2 Astra è stato testato solo su questo. È del tutto assente dalla classifica Franka, dove la generazione precedente, GPT-6 Astra, attualmente guida a 1.915.
Un giorno, 122 confronti
Il post che ha dato il via a tutto questo afferma che il modello è stato sottoposto a "centinaia di confronti testa a testa sul campo" in "appena UN GIORNO". La classifica attribuisce a GPT-6.2 Astra 122. Entrambi i numeri possono essere veri — l'arena esegue confronti su ogni policy presente, e il volume giornaliero è ben oltre le centinaia — ma solo uno di essi è il campione alla base del 1.984, ed è quello più piccolo.
È utile fissare la cronologia, perché “un giorno” svolge una funzione retorica. OpenAI ha rilasciato GPT-6.2 Astra il 17 novembre. La valutazione sulla classifica SO-ARM101 riporta un timestamp di calcolo del 20 novembre, 19:46 UTC, e il confronto più recente dell’arena è stato registrato quella stessa mattina alle 09:49 UTC. Quindi i 122 confronti si sono accumulati nell’arco di circa tre giorni di una classifica live, non di ventiquattro ore di un’esecuzione dedicata. Il sito si aggiorna ogni ora, il che significa che il numero che vedi è una stima dinamica anziché un risultato definitivo — e significa che un cambiamento di classifica di una o due posizioni rientra ampiamente in ciò che può produrre l’aggiornamento successivo.
Niente di tutto ciò rende il risultato sbagliato. Lo rende provvisorio in un modo specifico e verificabile: la direzione è chiara, l’entità non è ancora definita, e chiunque citi 1.984 come una quantità fissa sta citando un adattamento che cambierà.
Quanto costa il rank

È qui che il rumore diventa una decisione di acquisto anziché una nota metodologica. Nella classifica SO-ARM101, i due modelli in testa hanno lo stesso prezzo di listino. GPT-6.2 Astra costa 8 $ per milione di token di input e 40 $ per milione di output; Claude Fable 5.2 costa 8 $ e 40 $; GPT-6 Astra, tre posizioni più in basso, costa 10 $ e 50 $. Claude Opus 5.5, al terzo posto, costa 4 $ e 20 $ — la metà del prezzo di input di Astra e la metà di quello di output — e pi0.5, la migliore policy specializzata della classifica, è a pesi aperti e può essere servita gratuitamente sul proprio hardware.
Posizione 1 — GPT-6.2 Astra, 1.984 DCR, 8 $ in ingresso / 40 $ in uscita per milione di token
• Posizione 2 — Claude Fable 5.2, 1.803 DCR, $8 / $40
• Posizione 3 — Claude Opus 5.5, 1,666 DCR, $4 / $20
• Posizione 4 — pi0.5, 1.526 DCR, pesi aperti
• Posizione 5 — GPT-6 Astra, 1.393 DCR, $10 / $50
Leggila come una curva dei costi e la classifica smette di essere la parte interessante. Passare dal terzo al primo posto raddoppia il costo per token e compra un vantaggio che, secondo la tabella stessa, rientra nei margini di errore. Passare dal quinto al primo posto fa risparmiare il 20% e guadagna 591 punti DCR, cioè il salto generazionale più ampio della tabella — ma significa anche che la generazione precedente diventa ora l'opzione più costosa, il tipo di inversione che emerge solo quando guardi la colonna del prezzo accanto alla posizione in classifica.
Per qualsiasi cosa in un ciclo, quell'aritmetica si accumula. Un'esecuzione di manipolazione non è una singola richiesta; è una lunga sequenza di chiamate, la maggior parte delle quali trasporta fotogrammi della telecamera e una trascrizione in crescita, e il prezzo per token si moltiplica a ogni passaggio. Un modello che completa il 22% delle attività e costa 8 $ per milione di token di input è un acquisto diverso da uno che completa il 5% e costa 10 $, e la differenza non è affatto visibile nella classifica.
GPT-6.2 Astra non è ancora nel catalogo di OrcaRouter, quindi la risposta onesta per chiunque voglia chiamarlo è l'API del fornitore stesso. Quello che il catalogo offre è il resto di quella colonna: GPT-6 Astra a $10 e $50, GPT-6.1 Sol a $2 e $10, e Claude Opus 5.5 a $4 e $20, tutti con ricarico dello 0% sul prezzo di listino del provider, motivo per cui un taglio di prezzo del fornitore arriva anche da noi lo stesso giorno in cui arriva da loro. Eseguire lo stesso compito su tre di quelli e confrontare le esecuzioni completate è l'esperimento più economico in questa pagina, ed è quello che la classifica ti chiede di fare anziché quello che sta riportando.
Che cosa cambierebbe il verdetto
Tre cose trasformerebbero un primo posto provvisorio in uno definitivo, e tutte e tre sono osservabili.
Il primo è il campione. SO-ARM101 necessita di diverse centinaia di confronti per politica prima che i suoi intervalli si restringano fino all'ampiezza di quelli della scheda Franka. La fascia di GPT-6.2 Astra è ampia 376 punti al 95% di credibilità; il leader di Franka, il GPT-6 Astra della generazione precedente, si colloca in una fascia ampia circa 185 punti su 194 confronti. Quando il campione di Astra raddoppia all'incirca, la domanda se sia davvero avanti rispetto a Claude Fable 5.2 si risponde da sola.
Il secondo è un secondo embodiment. Un modello che è in testa su un braccio e non è mai stato eseguito su un altro è un punto dati, non un'affermazione di capacità, e il W di Kendall di 0,24 del paper è l'ammissione dello stesso progetto che le classifiche non sono trasferibili. Se GPT-6.2 Astra compare sulla board Franka o Bimanual-YAM a una posizione simile, il risultato SO-101 smette di essere un artefatto di una classifica poco popolata.
Il terzo è il Fine-tune Track. L'articolo riporta che, dopo il fine-tuning su 100 dimostrazioni per attività, GR00T N1.7 supera SO-101 — e GR00T N1.7 attualmente è ottavo nella open board con l'1,37% di successo e 219 confronti. Questa è la riga più utile dell'intero dataset: la policy che vince quando tutti ricevono le stesse dimostrazioni è quasi in fondo quando nessuno le riceve, e l'agente di frontiera che vince la open track non è quello che chiunque sceglierebbe da mettere in produzione. Due domande diverse, due vincitori diversi, e solo una di esse è quella a cui un team di robotica deve davvero rispondere prima del rilascio.
Fino ad allora, la sintesi equa del 20 novembre è limitata e vale la pena enunciarla con precisione. Un modello general-purpose, vecchio di quattro giorni, è salito in cima a una classifica di robot reali completando il 22% dei suoi task, su 122 confronti alla cieca, davanti a un panorama che include le policy specializzate costruite per quel braccio — e il sito che ha pubblicato la classifica è il primo a dichiarare che il vantaggio rientra nel rumore.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
