主要来源Binyuan Hui
查看原文事件专题 ·多源确认
XLANG Lab 发布 RoboWild 基准:前沿模型真实环境机器人使用最好成绩仅 13.3%
XLANG NLP Lab 在 OSWorld 发布两年后推出新基准 RoboWild,测试前沿模型在真实物理环境中的机器人使用能力。基准包含 38 个真实布置的场景,覆盖家庭、商店、工作坊和实验室,共 4,480 个带可操作门、旋钮、抽屉的物体,并设置 341 个任务、横跨 4 种机器人本体。成绩方面,Claude Fable 5.2 以 13.3% 的准确率排第一,GPT-6 Astra 更省 token 但止步于 11.6%。相比之下,团队此前在 RoboDojo 上 Claude Fable 5.2 已达 65%,说明实验室环境与真实野外场景之间仍有巨大差距。该基准的数据集已在 Hugging Face 上开放,代码托管在 GitHub,结论是真实环境下的机器人使用远未被解决。 对开发者和研究者来说,RoboWild 提供了一个比 RoboDojo 更贴近真实部署的评测环境:场景更杂乱、物体交互更多样、任务更接近日常物理工作流。模型在数字世界(OSWorld 类任务)进步很快,但迁移到物理世界时泛化能力明显崩塌,13.3% 与 65% 的落差量化了这一鸿沟。四类机器人本体的设置也意味着模型需要跨硬件泛化,而不只是适配单一形态。
当前结论
OSWorld 团队搞了个新基准 RoboWild,专测模型在真实家庭、商店里开机器人干活,341 个任务、38 个场景。结果很扎眼:Claude Fable 5.2 才 13.3%,比实验室场景的 65% 掉了一大截。做具身智能和机器人 Agent 的朋友可以拿数据集跑跑看。
11 个信源57° AI 热度最后更新 2026/11/21 00:50:19
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。