GPT-4o（在此情境中稱為 Astra）透過思維鏈推理，成功在即時環境中控制機器人清理桌面。這段影片突顯了該模型處理視覺輸入並執行實體動作的即時能力，依賴即時多模態處理以對場景做出反應。這項成就標誌著多模態智能體能力的重大突破，彌合了高階語言推理與低階運動控制之間的差距。這表明大型語言模型可以有效擔任通用機器人的「大腦」，而不僅依賴確定性的視覺模型。該系統利用思維鏈（CoT）推理，讓模型在執行動作前先對任務進行思考，這對於提升機器人表現至關重要。

事件背景

思維鏈（CoT）提示技術要求模型在產生最終答案前先生成中間推理步驟，這已被證明能提升複雜任務的表現。在機器人領域，這通常被稱為具身思維鏈，模型會將推理過程錨定在實體場景和機器人狀態上，以更有效地規劃動作。

社群觀察

社群意見兩極，部分用戶對其實時能力感到驚嘆，另一些人則認為確定性視覺模型足以應付此類任務。此外，還有關於運算需求的討論，指出若要達到人工通用智能（AGI）級別的速度，模型每秒需處理數千個 token。