分析
XpengのGroundingPI、約40億パラメータの知覚モデルが34のベンチマークで73.68点、GPT-6 Astraは71.54点、Xpengによる。差と限界を解説
Xpengの著者らによると、GroundingPIは知覚の34ベンチマークで73.68点、GPT-6 Astraは71.54点。ほかではGPT-6 Astraが上回る。
2026年11月4日、Xpengは約40億パラメータの「身体性（エンボディド）」知覚基盤モデルGroundingPIを発表した。北京大学や香港大学など大学のチームと開発したという（CnEVPost）。著者らは、34のベンチマークの平均で73.68点、OpenAIのGPT-6 Astraは71.54点だと報告している。測定は著者らによるもので、独立した再現はなく、対象は知覚だけだ。情報源は4ページを自動要約で読んだだけで、何も実行していない。投資や技術に関する助言ではない。
要点
- 数字：著者らによると、34の公開グラウンディング・ベンチマークの平均で73.68点対71.54点、差は2.14点。ほかのベンチマークではGPT-6 Astraが上回る。
- 範囲：測るのは知覚のみで、推論や汎用的な知能ではない。特化したモデルと汎用モデルの比較である。
- 現状：コードと重みは公開済みで、ライセンスは示されていない。ロボティクスと運転の結果はシミュレーションまたは記録データによる。
- 未確定：正確なパラメータ数、独立した再現、Xpeng製品への組み込み。
GroundingPIとは何か
「グラウンディング」とは、文が述べる対象を画像の中で特定し、点やボックスで出力することだ。GroundingPIはそれらを、共有の語彙に入れた量子化座標として書き出す（arXiv、プロジェクトページ）。「PI」はPhysical Intelligenceの略（CnEVPost、xpeng.guru）。
arXivの論文によると、構成はMoonViT-V2の視覚エンコーダー（Kimi K3由来）、プロジェクター、Qwen3-4Bの言語デコーダーだ。「4B」は呼称で、正確なパラメータ数は私たちが読んだ部分にはなく、視覚エンコーダーを含めるとより大きい値を挙げる研究要約もあるが、確認できなかった。学習には行動ラベル付きのロボットデータを使わず、一般的な物体検出や文字認識など11カテゴリーの知覚データだけを使った（CnEVPost、xpeng.guru）。
73.68点対71.54点は何を意味するのか
これは、11の知覚能力にわたる34の公開グラウンディング・ベンチマークの平均で、GPT-6 Astraは44の比較対象モデルの1つだ（arXiv、プロジェクトページ、CnEVPost）。2.14点の差は私たちの計算である。CnEVPostとxpeng.guruはカテゴリーごとの重みづけを述べているが、私たちが読んだ論文の部分は集計方法を説明していない。
評価は著者らが行い、独立した評価者の名前は挙がっていない（CnEVPost）。GPT-6 Astraは、CnEVPostによるとOpenAIの2026年9月のモデルで（OpenAIは、GPT-Rosalind-6が同じ重みで動くと述べている。当サイトの記事を参照）、思考の強度を「高」にして実行された。読んだ部分にはほかの設定もプロンプトも示されておらず、基準値の一部は外部の論文から取られ、論文はプロンプトと解析の不確実性に触れている（arXiv）。
GPT-6 Astraが上回るところ
論文は、GPT-6 Astraがロボット、空間、インターフェース（GUI）のグラウンディングで大きな優位を保ち、TotalTextとDense200のポイント出力で先行すると述べる。また、同程度の大きさのモデルを上回りつつ、GPT-6 Astraに対しても「競争力がある」としている（arXiv）。
出典：arXiv 2609.39601。
したがって「これら34のベンチマークの平均では、著者らによると上回る」は正しい。「GPT-6 Astraより優れている」は正しくない。
ロボティクスと運転：シミュレーションとオープンループ
著者らによると（プロジェクトページ、arXiv）：
- RoboCasa-GR1：デモの50%（28.75%）で、75%で学習した基準を上回る。分布内ではRynnBrain-2Bをわずかに下回る（37.75対39.00）。
- RoboTwin 2.0：評価した視覚アーキテクチャを、分布外の4つのシナリオすべてで上回り、最良のものに対し相対で最大24.8%。分布内では66.20対60.62。
- nuScenes：オープンループの平均L2誤差は0.296 m、Qwen3-VL-4Bは0.301 m、RynnBrainは0.308 m。クローズドループでの性能は確定していない。
実機のロボットへの展開は報告されていない（CnEVPost：シミュレーションの結果）。
何が確定していないのか
正確なパラメータ数、集計方法、独立した再現（特にGPT-6 Astraのスコア）、ライセンス、クローズドループと実機での性能、Xpeng製品への組み込み、ベンチマークの完全な一覧、大きさと特化の影響。
出典：CnEVPost、arXiv、プロジェクトページ。
比較表
| 項目 | 情報源が述べていること | 状況 |
|---|---|---|
| 平均 | 73.68点対GPT-6 Astraの71.54点 | 著者が表明 |
| Astraが上回る点 | ロボット、空間、インターフェースのグラウンディング、TotalText、Dense200のポイント出力 | 著者が表明 |
| 公開 | コードと重みを公開、ライセンスは未記載 | 報告あり |
| パラメータ数と再現 | 「4B」は呼称、独立した検証は挙がっていない | 未確定 |
よくある質問
GroundingPIはGPT-6 Astraより優れているのか
一般にはそうではない。これら34のベンチマークの平均では、著者らによるとGroundingPIが上回るが、ScreenSpot-Proなどほかの項目ではGPT-6 Astraが上回る。Xpengは、このスコアは知覚だけを測るものだとし、GroundingPIを身体性AIの「高速システム」の基盤と位置づけ、大規模な汎用モデルの代わりとはしていない（CnEVPost、xpeng.guru）。
モデルはオープンソースか
コードと重みはGitHub、Hugging Face、ModelScopeで公開されている（CnEVPost、xpeng.guru）。読んだページにライセンスの記載はなく、arXivのページのCC BY 4.0はコードや重みについて何も述べない。
Xpengの車に搭載されるのか
読んだページにそうした記述はない。CnEVPostは科学的なプロトタイプと呼び、非公式の情報源であるxpeng.guruは、製品への組み込みの発表ではないと述べる。
方法と限界
2026年11月4日に、CnEVPost、arXivの論文（約24万2千文字のうち最初の10万文字のみ）、プロジェクトページ、xpeng.guruを自動要約で読んだ。xpeng.guruは所属が明示されておらず、Xpengの発表を引用するサイトだ。Xpengの発表そのもの、Xでの投稿、AI Weekly、GitHubのリポジトリ、Hugging Faceのページは読んでいない。スコアは著者らのもので、再現はされていない。
出典
- CnEVPost、Xpeng unveils GroundingPI、自動要約で読んだ
- arXiv 2609.39601、自動要約で読んだ、最初の10万文字のみ
- GroundingPIのプロジェクトページ、自動要約で読んだ
- xpeng.guru、非公式のサイト、自動要約で読んだ
