它问的问题是：中间那层还需要吗
过去两年人形机器人的主流做法是分三层：上面一个大模型负责理解指令、拆任务；中间一个专门训练的 VLA 模型，把「拿起那个杯子」变成具体动作；最下面是控制器，管关节和平衡。中间那层最贵——要为它采集大量机器人演示数据。 HomeBody 的问题很直接：**如果最上面的模型已经足够聪明，能不能跳过中间层，让它直接调用一组写好的技能？**他们给的技能只有 5 个：导航、抓、放、开抽屉、从抽屉里拿东西，底下用现成的全身控制器和经典运动规划。GPT Astra 在远端被调用，像调工具一样一步步选技能，执行结果回传给它，出错就重新规划。
真正起作用的可能是「记忆」
光靠模型聪明不够。机器人转个身，刚才看到的东西就出了视野；房间大一点，它就不知道自己在哪。 HomeBody 的做法是先让机器人把厨房走一遍，收集视频、深度和激光雷达数据，在 Isaac Sim 里重建一个数字孪生，再把「什么东西在哪」写进持久的空间记忆。之后收到「把我的药拿来」这种没说清在哪的指令，它可以查记忆，知道药在某个抽屉里，再去开抽屉取。**这一步把「看得懂」变成了「记得住」，对家务这种跨整个房间的长任务，后者往往才是卡点。**
为什么要把局限读完
这是一个演示，不是一个评测结果。项目页没有报告成功率，也没有和 VLA 方案做系统对比，所以「不需要中间层」目前只能读成「在这些演示里可以不用」。 作者自己列的局限也很具体：每换一个环境都要先重建，有准备时间和 API 成本；Astra 每一步都要想一会儿，技能之间有停顿；手指舵机跑久了会过热，限制了任务长度；本地部分要一块 RTX 4090 笔记本显卡。**把这些加起来，它离「买回家就能用」还很远，更像是在给「大模型 + 少量技能 + 空间记忆」这条路线做可行性验证。** 还要澄清一点：有报道称代码已开源，但 GitHub 仓库目前只有 README 和图片，写的是「代码即将发布」，也没有许可证文件。
对读者的实用含义
对做机器人或具身智能的团队，这个项目值得关注的是架构取舍：用前沿模型的推理加一小组可靠技能，换掉需要大量演示数据的 VLA。如果这条路走得通，数据门槛会大幅降低；但代价是每一步都依赖远端大模型的延迟和费用。等代码和成功率公开之后，才适合判断它能不能复现。