یک مدل هوش مصنوعی عمومی که محیط پیرامون ربات را می‌بیند، کد می‌نویسد و هنگام انجام وظیفه اقداماتش را بازنگری می‌کند، در آزمون‌های گزارش‌شده توسط پژوهشگران وابسته به اپل، نرخ تکمیل بالاتری نسبت به کنترل‌گرهای تخصصی داشت. پیش‌چاپ آن‌ها با عنوان «دربارهٔ سیاست‌های دست‌کاری عامل‌محور» که در 6 نوامبر 2026 در arXiv منتشر شد، AMP1 را رویکردی پژوهشی و امیدبخش معرفی می‌کند، هرچند تأخیر زیاد در استدلال کاربرد عملی آن را محدود می‌کند. داوری علمی این اثر تأیید نشده و بازتولید مستقلی از نتایج ارائه نشده است.
AMP1 یک چارچوب نرم‌افزاری است که تصاویر دوربین، اجرای کد و رابط‌های فرمان‌دهی حرکت ربات را فراهم می‌کند. پیکربندی پایهٔ آن هیچ مهارت ازپیش‌تعریف‌شده‌ای برای گرفتن، هل دادن یا قرار دادن اشیا ندارد؛ مدل دربارهٔ شیوهٔ دست‌کاری اشیا تصمیم می‌گیرد و به مشاهدات تازه پاسخ می‌دهد. برخلاف روش‌هایی که پیش از به‌کارگیری ربات برنامه‌ای تولید می‌کنند، مدل عمومی در حلقهٔ کنترل باقی می‌ماند. در اینجا «بدون نمونه» به معنای نبود نمایش عملی، آموزش یا اجرای تمرینی ویژهٔ وظیفه در جریان ارزیابی است؛ این اصطلاح ثابت نمی‌کند که محتوای معیارها در پیش‌آموزش مدل وجود نداشته است.
در RoboLab-120، ترکیب AMP1 و Gemini 4 Argon در 85.6% از 1,200 اجرای دارای دستورهای پیش‌فرض موفق بود؛ فاصلهٔ اطمینان 95% گزارش‌شده، 83.5 تا 87.5% بود. نتایج جدول رتبه‌بندی برای قوی‌ترین مدل‌های بینایی–زبان–کنش و جهان–کنش به‌ترتیب 49.2% و 42.9% بود؛ یعنی فاصله‌هایی برابر با 36.4 و 42.7 واحد درصد. در سه مجموعهٔ CaP-Gym، برای AMP1 موفقیت 95.2% در 3,000 اجرای LIBERO-PRO، موفقیت در هر 700 اجرای robosuite و موفقیت در 48 مورد از 50 اجرا روی دو وظیفهٔ BEHAVIOR-1K گزارش شد. برخی عامل‌های رقیب روی وظایف مورد ارزیابی تمرین کرده بودند که مقایسه‌ها را پیچیده می‌کند.
آزمون‌های فیزیکی از بازوی Franka Research 3، گیرهٔ Robotiq 2F-85 و سه دوربین استفاده کردند. هر سامانه 12 وظیفهٔ طراحی‌شده توسط نویسندگان را روی سه نمونه از ربات، با نه آزمون برای هر وظیفه، انجام داد. AMP1 با Opus 5.5 در 104 مورد از 108 تلاش، معادل 96.3%، موفق شد؛ در مقابل، FLUX 3 Action در 49 مورد و π0.5 در 30 مورد موفق بودند. این شمارش‌ها نشان می‌دهند نرخ شکست AMP1 به‌ترتیب تقریباً یک‌پانزدهم و یک‌بیستم نرخ شکست این دو سامانه بود.
این مقایسه یک تفاوت اثرگذار دارد: AMP1 می‌توانست پس از خطاهای کنترل‌گر ربات بازیابی شود، اما آزمون سامانه‌های مبنا هنگام توقف حرکت بر اثر چنین خطاهایی پایان می‌یافت. بدون بازیابی، AMP1 در 94 مورد از 108 آزمون، معادل 87.0%، موفق شد. این سامانه همچنین کند بود. آزمون‌های موفق AMP1 به‌طور میانگین 280 ثانیه طول کشید که 211 ثانیهٔ آن صرف استدلال شد؛ میانگین برای FLUX برابر با 44 ثانیه و برای π0.5 برابر با 62 ثانیه بود. این میانگین‌ها زیرمجموعه‌های متفاوتی از آزمون‌های موفق را پوشش می‌دهند و بنابراین مقایسهٔ سرعت در شرایط همسان نیستند.
در آزمایش‌هایی جداگانه، حافظه‌ای ماندگار شامل یادداشت یا کد اضافه شد، درحالی‌که وزن‌های مدل ثابت ماندند. در 42 وظیفهٔ شبیه‌سازی‌شدهٔ دودستی RoboDojo، تمرین، موفقیت گزارش‌شده روی چیدمان‌های دیده‌نشده را از 26.4% به 84.1% رساند؛ یک دور یادگیری پیوسته در میان وظایف نیز به 57.6% رسید. این نتایج مبتنی بر تجربه‌اند و با عملکرد بدون نمونه تفاوت دارند.
اجراهای منتخب نشان دادند که عامل برای یافتن اشیای پنهان موانع را جابه‌جا می‌کند، از ابزار استفاده می‌کند و با بازآرایی اشیا امکان گرفتن آن‌ها را فراهم می‌سازد. این نمونه‌ها راهبردها را نشان می‌دهند، اما قابلیت اتکای عمومی آن‌ها را اثبات نمی‌کنند. آزمایش‌های کنترل‌شده همچنین نشان دادند که انتخاب مدل تأثیر زیادی بر عملکرد دارد و مدل‌های قوی‌تر می‌توانند کمبود اطلاعات حسی را با محاسبات بیشتر جبران کنند.
شواهد از موفقیت بیشتر تحت پروتکل‌های آزموده‌شده پشتیبانی می‌کنند، اما محدودیت‌های مهمی دارند. آزمون فیزیکی تنها یک سکوی بازو و گیره و 12 وظیفه را پوشش داد و مدل‌ها، چارچوب‌ها و سابقهٔ آموزش سامانه‌ها متفاوت بودند. اجراهای تکراری، وظایف و محیط‌های مشترک دارند؛ روشن نیست فاصلهٔ اطمینان گزارش‌شده این وابستگی را لحاظ کرده باشد. جزئیات روش‌ها و مطالب تکمیلی مورد ارجاع مقاله به‌طور کامل در محتوای ارائه‌شده موجود نیست. یافته‌ها برتری همگانی یا آمادگی برای به‌کارگیری عملی را اثبات نمی‌کنند.