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%
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。
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。