小鹏联合北大、港大开源 GroundingPI：40 亿参数机器人感知基座

据 CleanTechnica 报道，小鹏汽车（XPENG）研究人员与北京大学、香港大学等学术伙伴合作，推出开源视觉感知模型 GroundingPI，定位是面向物理 AI 的“grounding”基础模型。论文已经公开，权重同步放到 GitHub 与 Hugging Face。

GroundingPI 是一个 40 亿参数的基础模型，核心任务是在图像中定位并标注物体，也就是把语言描述对应到画面中的具体区域。用报道里的话说，它要做的是机器人的“眼睛”，为后续的抓取、导航和操作提供可用的空间理解。

研究团队在 34 个 grounding 基准、11 类感知能力上，与 44 个基线模型做了对比，平均得分 73.68%，高于参数量更大的 GPT-6 Astra 的 71.54%。需要说明的是，这组对比来自研究者自己的评测设置，而非第三方统一复测。

更有分量的部分在下游迁移。论文报告称，GroundingPI 在机器人操作与自动驾驶任务上都有增益，其中在部分操作任务中用大约一半的训练数据就达到了更好的效果。这说明它的价值不只是刷榜，而是能减少下游任务的数据需求。

训练方法上，团队采用的是分阶段训练配方，先建立通用定位能力，再逐步迁移到物理智能场景。这种“感知底座 + 下游微调”的路径，与当前机器人公司普遍缺少高质量标注数据的现实直接相关。

边界也需要讲清楚。有报道指出，小鹏方面表示此次开源并不等于宣布该模型将进入其量产车型，GroundingPI 目前更像是一次面向研究与开发者社区的能力释放，而非产品发布。

对一个 40 亿参数的感知模型来说，真正的意义不在榜单名次，而在于厂商愿意把机器人的“眼睛”以开放权重的方式交出去。自动驾驶与具身智能公司长期把感知栈视为核心资产，开源一个可复用的定位底座，会改变这一层的竞争方式。

接下来值得观察两点：一是社区能否在真实机器人平台上复现论文中的操作增益，二是这类开放感知模型会不会成为车厂与机器人公司默认的中间层。如果答案是肯定的，感知层的差异化将更多来自数据与后训练，而不是从零训练一个定位模型。