事件专题 ·多源确认

XLANG NLP Lab 发布 RoboWild 基准:前沿模型在真实环境中的机器人操作表现欠佳

XLANG NLP Lab 在 OSWorld 发布两年后推出新基准 RoboWild,测试前沿模型在物理世界中作为机器人使用智能体的泛化能力。基准包含 38 个真实布置的场景(家庭、商店、车间、实验室),4,480 个带可操作门、旋钮、抽屉的物体,以及跨四种机器人形态的 341 项任务。成绩显示 Claude Fable 5.2 以 13.3% 的准确率位居第一,GPT-6 Astra 的 token 效率更高但准确率止步于 11.6%。相比之下,同团队此前的 OSWorld 已见证模型在数字环境计算机使用任务上快速进步,而物理世界泛化仍远未解决。该基准的数据集与代码已在 Hugging Face 和 GitHub 开源,主页为 robowild.xlang.ai。

当前结论

做 OSWorld 的 XLANG 团队把基准从电脑屏幕搬进了真实房间,38 个场景、4480 个可交互物体、341 项任务。最强的 Claude Fable 5.2 也只有 13.3% 准确率,GPT-6 Astra 更省 token 但只有 11.6%。做具身智能和机器人智能体的团队值得把数据集跑一遍。

11 个信源57° AI 热度最后更新 2026/11/21 02:30:57

证据链

11 个信源
相关来源 3掘金本周最热
查看原文
相关来源 4Artificial Analysis
查看原文

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。