
GPT-6.2 Astra lidera o ranking de robôs SO-101: 22% de sucesso
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 494 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 385 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 94 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
O ranking SO-ARM101 do RoboColosseum tem um novo primeiro lugar, e o que está nele não é uma política de robô. GPT-6.2 Astra subiu para 1.984 na escala DCR do site, com Claude Fable 5.2 em segundo, com 1.803, Claude Opus 5.5 em terceiro, com 1.666, o melhor checkpoint de visão-linguagem-ação ajustado por fine-tuning — o pi0.5 da Physical Intelligence — em quarto, com 1.526, e a geração anterior, GPT-6 Astra, em quinto, com 1.393. A OpenAI lançou o GPT-6.2 Astra em 17 de novembro de 2026; a pontuação foi calculada em 20 de novembro às 19:46 UTC, e Greg Brockman a amplificou no X no início da manhã seguinte. É tudo o que há no anúncio. O que a citação não traz é o resto da linha: uma taxa de sucesso de tarefa completa de 22%, uma liderança que o ranking registra como dentro das barras de erro, e uma amostra de 122 comparações cegas feitas em cenas que o modelo nunca tinha visto.
Leia o ranking como um resultado e você o interpretará mal. Leia-o como um instantâneo de uma avaliação ainda em preenchimento, na mais barata e menos exercitada das três principais placas de robô do projeto, e ele diz algo mais útil — sobre a rapidez com que um modelo de propósito geral fecha uma lacuna que políticas especializadas de manipulação passaram um ano construindo, e quão pouco dessa lacuna a amostra atual pode de fato certificar.
O que o RoboColosseum mede e o que não mede

O RoboColosseum é uma estrutura de avaliação distribuída, e não um laboratório. O artigo por trás dele, arXiv 2611.02497, foi publicado em 2 de novembro de 2026 por um grupo que abrange NUS MAGIC Lab, Hugging Face, EAIC Singapore e BitRobot; a lista de autores inclui Dieter Fox, Siddhartha Srinivasa, Thomas Wolf, Harold Soh e David Hsu. A premissa é que não é possível avaliar políticas de robô a partir de um laptop, então o projeto as executa em hardware real operado por parceiros em 124 locais em seu estudo inicial, em mais de 194 cenários e 8.237 instruções distintas escritas na hora por um avaliador. Cada rollout é publicado no Hugging Face no formato LeRobot, incluindo as falhas.
A métrica é onde a maior parte da cobertura erra, então vale a pena declarar isso claramente. O site mantém dois registros para cada política: um registro W/T/L de comparações pareadas cegas, em que um avaliador humano assiste a duas execuções da mesma instrução na mesma cena e escolhe a melhor ou declara empate; e uma classificação DCR, ajustada a partir dos resultados de sucesso da tarefa completa após calibrar pela dificuldade que cada tarefa acabou tendo. O próprio ranking diz isso, em uma frase que não entrou em um único tweet sobre o resultado: DCR é "uma Classificação Rasch Calibrada por Dificuldade (DCR) (escala Elo); ela não deve ser interpretada como uma classificação Elo obtida por meio de atualizações Elo sequenciais."
Essa distinção não é pedantismo. Um número Elo muda toda vez que uma partida é jogada; uma estimativa Rasch é um ajuste conjunto da habilidade da política e da dificuldade da tarefa, e muda quando qualquer um dos lados desse ajuste muda. Relatar o quadro SO-101 como "rankings Elo" — que foi como o resultado foi descrito no X — pega uma estimativa posterior e a apresenta como um placar contínuo. Os dois se parecem em um gráfico, e é exatamente por isso que a confusão persiste. O DCR também exige pelo menos 20 comparações elegíveis antes que uma política seja ranqueada, e deliberadamente não usa o registro de vitórias-derrotas-empates: duas políticas podem ter linhas W/T/L muito diferentes e ainda assim serem separadas pelo ajuste baseado em sucesso. Tenha isso em mente quando os números abaixo parecerem discordar uns dos outros.
O quadro, de cima para baixo

O SO-ARM101 é o braço de código aberto impresso em 3D do ecossistema LeRobot — aquele que o artigo descreve como concebido para ser reconstruído de forma idêntica em diferentes locais, para que um resultado recolhido em Singapura possa ser reproduzido num laboratório noutro sítio. Dez políticas são classificadas nele. A partir da atualização de 20 de novembro:
• GPT-6.2 Astra — 1.984, 122 comparações, 95 vitórias / 18 empates / 9 derrotas, 27 sucessos completos
• Claude Fable 5.2 — 1,803, 112 comparações, 62 / 23 / 27, 21 sucessos
• Claude Opus 5.5 — 1,666, 187 comparações, 98 / 57 / 32, 9 sucessos
• pi0.5 — 1.526, 194 comparações, 66 / 57 / 71, 9 sucessos
• GPT-6 Astra — 1,393, 183 comparações, 75 / 62 / 46, 5 sucessos
• Grok 4.7 — 1,366, 181 comparações, 37 / 79 / 65, 4 sucessos
• LingBot-MolmoAct2 — 1,259, 214 comparações, 42 / 92 / 80, 5 sucessos
• GR00T N1.7 — 1,233, 219 comparações, 31 / 92 / 96, 3 sucessos
• MolmoAct2 — 1,122, 216 comparações, 40 / 83 / 93, 3 sucessos
• G0.5 — 1.095.207 comparações, 18 / 94 / 95, 1 sucesso
Duas coisas decorrem imediatamente dessa lista. A primeira é que os três primeiros são todos modelos de linguagem de fronteira executados por um harness de programação, não políticas de manipulação ajustadas finamente; o melhor VLA especialista, pi0.5, está em quarto. A segunda é que Claude Opus 5.5 tem o maior número de vitórias absolutas no placar — 98, três a mais que Astra — e termina em terceiro, porque também tem 57 empates e apenas nove sucessos completos. A linha de Astra é o inverso: menos comparações, muito menos empates e três vezes mais tarefas concluídas. Seja lá o que o harness estiver fazendo, ele está convertendo progresso parcial em execuções concluídas, e é isso que o DCR foi criado para recompensar.
Vinte e dois por cento é o número
Vinte e sete sucessos em 122 comparações representam 22,1%. Essa é a maior taxa de sucesso em tarefas completas no quadro SO-ARM101, e significa que aproximadamente quatro em cada cinco tentativas não concluem a instrução. As tarefas não são exóticas — os rollouts publicados incluem "Coloque a caneca dentro da panela", "pegue a caixa amarela e coloque-a no prato", "Gire o marcador 90 graus no sentido horário", "toque na caneta azul" e "pegue o garfo e, em seguida, pegue a faca". As cenas são mesas comuns: NUS COM3, uma mesa do lado de fora em um terraço, um local do lado de fora do MAGIC Lab.
O fato de um líder falhar em quatro de cada cinco execuções é o contexto mais importante para a manchete, e é consistente com tudo o que o projeto publicou. O artigo de novembro relata que, em suas seis categorias de manipulação, "nenhum sistema avaliado ultrapassa 13% de sucesso em qualquer categoria", e que o MolmoAct2, o VLA mais forte pela pontuação esperada de comparação, alcançou apenas 58% a 77% na medida relativa, enquanto suas taxas de sucesso absolutas ficaram entre 6% e 13%. O quadro que você está vendo não é um quadro de robôs que conseguem realizar a tarefa. É um quadro de sistemas que estão ficando melhores em não falhar completamente.
A taxa de sucesso também é o único número na linha que não pode ser inflado pela métrica. Uma classificação DCR depende da calibração de dificuldade, que depende de como o ajuste agrupa tarefas entre políticas; uma contagem de sucessos não. Vinte e sete é vinte e sete. Se você quiser comparar o GPT-6.2 Astra com qualquer coisa naquela lista sem discutir modelos Rasch, compare 27 com 21, com 9, com 5.
A vantagem está dentro das barras de erro.
O RoboColosseum desenha um desvio padrão posterior de ±1 em torno de cada avaliação e afirma, na mesma linha, que a "Vantagem sobre o #2" de +181 pontos do líder fica "dentro das barras de erro". Esse é o resumo do próprio site sobre o próprio resultado, impresso ao lado do número, em vez de enterrado abaixo dele.
Coloque as faixas de ±1 DP lado a lado e a cautela faz sentido. A faixa do Astra vai de cerca de 1.888 a 2.080; a do Claude Fable 5.2, de cerca de 1.712 a 1.894. Elas se sobrepõem em uma janela de alguns pontos em torno de 1.890, e a diferença de 181 pontos entre as duas estimativas é de cerca de 1,4 desvios padrão combinados — aquém do necessário para chamá-la de vantagem em vez de desempate. As 122 comparações do Astra bastam para colocá-lo em primeiro, mas não para dizer com alguma confiança que ele é melhor que o modelo em segundo lugar. A diferença entre primeiro e terceiro é maior e mais limpa — 1.984 contra 1.666 —, mas também é uma comparação entre um modelo com 122 comparações e outro com 187, em um placar no qual todas as outras políticas têm mais amostras do que o líder.
Este não é um defeito exclusivo do resultado. É assim que se parece um placar de 1.017 comparações. Para comparação, o placar do Franka do mesmo projeto tem 5.643 comparações, e o do Bimanual-YAM, 4.517; o SO-ARM101 é o mais enxuto dos três por um fator de aproximadamente cinco, com 78 cenas e 70,3 horas de robô por trás dele. Um recém-chegado pode alcançar o primeiro lugar aqui mais rápido do que em qualquer outro placar do conjunto. Isso é uma propriedade do placar, não do modelo, e continuará sendo verdade na próxima vez que um modelo for lançado.
Por que um modelo de linguagem está em uma placa de robô
O fato estrutural mais interessante deste leaderboard é que ele mistura dois tipos de sistema que normalmente são mantidos separados. Cinco das dez políticas são checkpoints de visão-linguagem-ação — pi0.5, GR00T N1.7, MolmoAct2, LingBot-MolmoAct2, G0.5 — treinados com dados de robôs e, na Trilha de Ajuste Fino, ajustados com 100 demonstrações por tarefa. As outras cinco são agentes de fronteira: GPT-6.2 Astra, GPT-6 Astra, Claude Fable 5.2, Claude Opus 5.5 e Grok 4.7, cada um conectado por meio de uma infraestrutura de serving e deixado para escrever ele mesmo o código de movimento. O artigo coloca isso diretamente: agentes de fronteira "participam exclusivamente da Trilha Aberta", enquanto modelos VLA usam checkpoints específicos para cada corporificação.
É esse design que torna o resultado legível em primeiro lugar, e é por isso que ele não deve ser lido como uma afirmação sobre modelos de robótica. O GPT-6.2 Astra não foi treinado em trajetórias do SO-101. Não passou por ajuste fino nas tarefas. Pede-se que ele olhe para feeds de câmera, raciocine sobre uma mesa e emita comandos de movimento, o que é um teste de competência geral aplicada a um loop físico, e não um teste de habilidade de manipulação. O fato de isso superar uma política treinada especificamente para o braço é o ponto central; a taxa de sucesso de 22% é o preço de fazer desse jeito.
O próprio teste de verificação entre corporificações do artigo é o elemento corretivo. Os rankings de políticas mostram “fraca concordância entre suítes de tarefas específicas por corporificação”, com W de Kendall de 0,24 — o que está próximo de nenhuma concordância. O π0.5 ocupa o primeiro lugar na Franka e na Bimanual-YAM e o quarto na humanoide G1; o GR00T N1.7 lidera a SO-ARM101 após ajuste fino e termina em quarto nas outras duas. Um número obtido em um braço não é transferível, e o GPT-6.2 Astra só foi executado neste único caso. Ele está totalmente ausente do quadro da Franka, onde a geração anterior, GPT-6 Astra, lidera atualmente com 1.915.
Um dia, 122 comparações
O post que deu início a isso diz que o modelo foi submetido a "centenas de comparações diretas no mundo real" em "apenas UM DIA". O placar credita ao GPT-6.2 Astra 122. Ambos os números podem ser verdadeiros — a arena realiza comparações em todas as políticas nela, e o volume diário chega bem às centenas —, mas apenas um deles é a amostra por trás dos 1.984, e é o menor.
A cronologia vale a pena ser fixada, porque “um dia” está fazendo trabalho retórico. A OpenAI lançou o GPT-6.2 Astra em 17 de novembro. A classificação no placar SO-ARM101 carrega um carimbo de data/hora de computação de 20 de novembro, 19:46 UTC, e a comparação mais recente da arena foi registrada na mesma manhã, às 09:49 UTC. Portanto, as 122 comparações se acumularam ao longo de aproximadamente três dias de um placar ao vivo, não de vinte e quatro horas de uma execução dedicada. O site é atualizado a cada hora, o que significa que o número que você vê é uma estimativa móvel, e não um resultado final — e significa que uma mudança de classificação de uma ou duas posições está bem dentro do que a próxima atualização pode produzir.
Nada disso torna o resultado errado. Torna-o provisório de uma forma específica e verificável: a direção é clara, a magnitude ainda não está definida, e qualquer pessoa que cite 1.984 como uma quantidade fixa está citando um ajuste que vai mudar.
Quanto custa o rank

Aqui é onde o ruído se torna uma decisão de compra, e não uma nota de rodapé metodológica. No quadro SO-ARM101, os dois modelos principais estão listados pelo mesmo preço. GPT-6.2 Astra custa US$ 8 por milhão de tokens de entrada e US$ 40 por milhão de saída; Claude Fable 5.2 custa US$ 8 e US$ 40; GPT-6 Astra, três posições abaixo, custa US$ 10 e US$ 50. Claude Opus 5.5, em terceiro, custa US$ 4 e US$ 20 — metade do preço de entrada do Astra e metade do preço de saída — e pi0.5, a melhor política especializada do quadro, tem pesos abertos e é gratuito para executar no seu próprio hardware.
• 1º lugar — GPT-6.2 Astra, 1.984 DCR, US$ 8 de entrada / US$ 40 de saída por milhão de tokens
Classificação 2 — Claude Fable 5.2, 1.803 DCR, US$ 8 / US$ 40
• Posição 3 — Claude Opus 5.5, 1.666 DCR, $4 / $20
• Posição 4 — pi0.5, 1,526 DCR, pesos abertos
• Posição 5 — GPT-6 Astra, 1.393 DCR, $10 / $50
Leia isso como uma curva de custo e a classificação deixa de ser a parte interessante. Passar do terceiro para o primeiro lugar dobra a conta por token e compra uma vantagem que o próprio placar diz estar dentro das barras de erro. Passar do quinto para o primeiro economiza 20% e compra 591 pontos de DCR, o maior salto de uma única geração no placar — mas também significa que a geração anterior agora é a opção mais cara, o tipo de inversão que só aparece quando você olha a coluna de preço ao lado da classificação.
Para qualquer coisa em um loop, essa aritmética se acumula. Uma execução de manipulação não é uma única requisição; é uma longa sequência de chamadas, a maioria delas carregando quadros de câmera e uma transcrição crescente, e o preço por token se multiplica a cada etapa. Um modelo que conclui 22% das tarefas e custa US$ 8 por milhão de tokens de entrada é uma compra diferente de um que conclui 5% e custa US$ 10, e a diferença não é visível no leaderboard de forma alguma.
O GPT-6.2 Astra ainda não está no catálogo do OrcaRouter, então a resposta honesta para quem quer chamá-lo é a própria API do fornecedor. O que o catálogo traz é o restante dessa coluna: GPT-6 Astra a $10 e $50, GPT-6.1 Sol a $2 e $10, e Claude Opus 5.5 a $4 e $20, todos com 0% de markup sobre o preço de tabela do provedor, e é por isso que um corte de preço do fornecedor chega ao nosso lado no mesmo dia em que chega ao deles. Executar a mesma tarefa em três desses e comparar as execuções concluídas é o experimento mais barato desta página, e é o que o ranking está pedindo que você faça, em vez do que ele está relatando.
O que mudaria o veredito?
Três coisas transformariam um primeiro lugar provisório em definitivo, e todas as três são observáveis.
O primeiro é uma amostra. O SO-ARM101 precisa de várias centenas de comparações por política antes que seus intervalos se estreitem até a largura do painel da Franka. A faixa da GPT-6.2 Astra tem 376 pontos de largura com 95% de credibilidade; o líder da Franka, o GPT-6 Astra da geração anterior, fica numa faixa de cerca de 185 pontos de largura em 194 comparações. Quando a amostra da Astra quase dobrar, a pergunta sobre se ela está genuinamente à frente do Claude Fable 5.2 se responde sozinha.
O segundo é uma segunda encarnação. Um modelo que lidera um braço e nunca foi executado em outro é um ponto de dados, não uma alegação de capacidade, e o W de Kendall de 0,24 do artigo é a própria admissão do projeto de que os rankings não se transferem. Se o GPT-6.2 Astra aparecer no placar do Franka ou do Bimanual-YAM em uma classificação semelhante, o resultado do SO-101 deixa de ser um artefato de um placar limitado.
A terceira é a Fine-tune Track. O artigo relata que, após fine-tuning com 100 demonstrações por tarefa, o GR00T N1.7 supera o SO-101 — e o GR00T N1.7 atualmente ocupa o oitavo lugar no open board, com 1,37% de sucesso e 219 comparações. Essa é a linha mais útil de todo o conjunto de dados: a política que vence quando todos recebem as mesmas demonstrações fica perto do fim quando ninguém recebe, e o agente de fronteira que vence a open track não é o que qualquer pessoa escolheria para implantar. Duas perguntas diferentes, dois vencedores diferentes, e apenas uma delas é o que uma equipe de robótica realmente precisa responder antes de lançar.
Até então, o resumo justo de 20 de novembro é limitado e vale a pena enunciá-lo com precisão. Um modelo de propósito geral, com quatro dias de existência, chegou ao topo de uma tabela de classificação de robôs reais ao concluir 22% das suas tarefas, em 122 comparações cegas, à frente de um conjunto que inclui as políticas especializadas criadas para esse braço — e o site que publicou o ranking é o primeiro a dizer que a liderança está dentro do ruído.
Comparados neste artigo1
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
