从五项桌面任务，看机器人岗位怎么分工

消息提到，StationeryBench 新基准让 GPT-6 Astra 与 MolmoAct2 在五项桌面物体任务上对比，如打开马克笔、倒出回形针或在两个机械臂之间传递尺子。两者控制相同双臂 YAM 机器人，共 200 次试验。Astra 完全完成 7/100，MolmoAct2 为 0；Astra 中位进度 46 分，MolmoAct2 12 分。另有观点称 Astra 在空间推理上有“台阶式变化”，但也指出它在其他场景仍达不到人类表现。

这组结果不说明招聘行情，也不代表个人能力门槛。但它能帮你拆任务：任务怎么设计、机械臂怎么控制、完成度怎么打分、数据从哪来，分别落在数据、算法、控制、评测等不同角色上。想切入哪类问题，先做取舍。偏评测与任务设计的人，关心“什么算完成”；偏控制执行的人，关心机械臂在真实桌面上的动作稳定性。两类岗位面试问法不同。

空间推理被讨论，专业基础该对照什么

一种观点提到空间推理的进步，并猜测训练用了大量 3D 数据，但这是猜测，未经证实；原文也没有给出岗位技能门槛。所以别把模型分数当成自己的准备标准。读岗位描述时，把职责拆成感知、控制、评测、数据四类，再对照课程与项目：有没有 3D 视觉、机器人学、控制、仿真或数据标注与评测经验。没有直接对应项，就找一个最小练习补上，例如用公开仿真环境跑通一个抓取任务，并记录你如何定义成功。这只用于自查，不是招聘要求。

面试机器人团队，用哪些问题核查真实工作

基准里区分“完全完成”和“中位进度分”，说明完成度定义和评测本身是团队工作的一部分。面试时可以问：团队用哪些基准？完成度是二值还是分档？评测流程由谁维护？训练数据来自仿真还是真机？任务失败时如何归因？这些问题比问“方向热不热”更能判断你进去后做哪一块。如果对方只能谈模型排名，说不清数据与评测分工，你要谨慎判断岗位内容是否清晰。

给一个实际可做的小建议：挑三份你感兴趣的机器人岗位描述，把职责拆成感知、控制、评测、数据四类，标出你已有项目能对应上的部分；对不上的，先查团队实际用的基准和评测方法，再决定要不要投。