TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
RobotAgentBench 開源家用機器人評測：瓶頸移到規畫與執行的交接
Aether AI 與加州大學聖地牙哥、戴維斯分校團隊開源 RobotAgentBench，把一個真實家庭擴建成 50 種模擬佈局、90 個原子任務與 4 種開放情境，用部分進度分數與停滯率量測家用機器人的自主性。論文表 1 顯示同一組 Codex 與 InternVLA-A1.5 用三種架構接線，五項能力平均從 23.3 拉到 48.5，開放情境榜首 15.4 是四種情境的進度平均而非家務成功率，瓶頸正在從操作能力移往規畫、執行與驗收的交接設計。
用 AI 摘要這篇文章：
同一個 Codex 程式代理、同一份 InternVLA-A1.5 機器手臂政策，只要換一種架構接線，五項能力平均分數就能從 23.3 拉到 48.5。Aether AI 與加州大學聖地牙哥分校、戴維斯分校的團隊，在 2026 年 10 月 26 日把家用機器人自主性評測 RobotAgentBench 的論文提交到 arXiv（編號 2610.34649），評測程式碼在論文提交同日就公開上 GitHub，保存初始設定庫從 10 月 27 日起滾動釋出，三天內迭代到 0.2.17 版。首次評測結果把一個正在發生的變化量化出來：抓取、開冰箱這類操作能力漸漸不是家用機器人最卡的一關，真正的關卡移到規畫、執行與驗收三者之間怎麼交接。
同一批零組件，三種接線差出 25 分
RobotAgentBench 把機器人代理拆成三個角色：規畫者讀環境與需求、拆解任務；執行者把指令變成物理動作，來源可以是學習出來的政策模型，也可以是程式碼控制；驗收者盯著執行結果，發現失敗就引導修正。論文用「規畫／執行／驗收」的記號標示每種架構，C 代表程式碼、L 代表學習政策、H 代表混合兩者。
關鍵對比出現在論文表 1：同樣使用 Codex 與 InternVLA-A1.5 這兩個零組件，三種接法分數差距相當大。
| 架構 | 接法 | 五項能力平均 | 開放情境 |
|---|---|---|---|
| –/L/C | 政策直接動作，程式碼代理只做驗收 | 23.3 | 3.7 |
| C/L/– | Codex 規畫，政策負責執行 | 26.4 | 9.1 |
| C/H/C | Codex 規畫與驗收，執行層混合程式碼與政策 | 48.5 | 15.4 |
當對照組看：全程式碼的 Codex 代理平均 31.0 分、開放情境 8.4 分；InternVLA-A1.5 單獨上場只有 18.0 分與 1.0 分。混合架構 48.5 分不只贏過兩個零組件各自單飛的成績，還超過「政策＋驗收」接法的兩倍。
分數是怎麼賺來的？論文給了一個具體例子：程式碼控制先把夾爪移到物品附近，讓學習政策從有利的位置開始，減少從陌生視角摸索的負擔。換句話說，政策不必變強，只要讓它在對的時機接手。
另外兩種接法的短板也各自被數字標出來。「政策＋驗收」的組合，驗收者看得出失敗，卻生不出另一套有效動作，表現天花板被政策本身的能力壓住，情境推理只有 23.3 分；「規畫＋政策」的組合讓 Codex 把情境翻譯成明確指令交給執行器，最大增益恰好落在情境推理（40.0 分），物理操作仍是弱項。兩者相加等於混合架構的啟示：會規畫與會執行中間缺的那塊，是知道什麼時候該用誰。
全程式碼組的變體也值得看。Codex 加上十輪遞迴自我改善（RSI）後平均升到 42.3 分，輸給混合架構但穩定高於原生版本；Claude Code 與 Antigravity CLI 兩個程式代理分別拿到 33.3 分與 39.7 分。把表 1 讀成「瓶頸移向交接設計」是一種解讀；論文自己的結論寫得保守，列的是規畫與執行的協調、失敗恢復與真實部署仍是持續存在的挑戰。
一個真實家庭，擴成 50 種佈局的考場
評測環境不是橫空生成的。團隊先在一個真實房間裡量測參數、檢索相似的家具與物件，用帶人工審查的 real-to-sim 流程重建進模擬器，再擴展出 50 種不同的房間佈局，變化涵蓋裝飾、牆面、地板與家具。要強調的是：50 這個數字代表可測環境的多樣性，不是機器人真的進過 50 戶人家。
任務清單由 90 個原子任務組成，覆蓋拿冰箱食物、微波爐加熱、氣炸鍋操作這類日常活動，操作對象從剛體一路到桌布這種可變形材料與咖啡豆這類顆粒物。往上組合成 18 個短任務（例如從沙發撿起帽子掛到衣帽架）與 8 個長任務（例如整理整個沙發區），另有 4 種開放情境。整份資料集附帶 101.8 小時的訓練示範，分布在推、拉、雙手協調與移動操作等 16 項技能。示範教的是可重用技巧，受測代理得自己判斷該用哪個技巧、什麼順序；示範怎麼生產本身就是另一個研究題目，NVIDIA 的 ScheduleGen 處理的就是多臂示範的排程生成。
硬體規格對齊 AgiBot G1 機器人：22 維動作介面控制頭部、軀幹、雙臂、夾爪與移動底盤；觀測來源是一部 1280×800 的頭頂相機、兩部 848×480 的腕上相機、本體狀態，以及一張隨視角逐步揭示的導航地圖。地圖只畫已知靜態幾何、走過的軌跡與未探索區域，任務目標與建議路線不會出現在裡面，探索因此是有成本的行動：多看一眼可能找到新工作，也可能吃掉原本能拿來執行的時間。
五項能力各自有專屬測法：任務發現看代理能否在沒有待辦清單時碰觸該處理的物件；情境推理看它能否依偏好或分類規則選對目標；失敗恢復從漏抓、撞倒物品的狀態開始考；抗擾測試則在執行中途改變燈光、移動物品，甚至加入人為介入。
15.4 量的是進度，不是成功率
開放情境是整套評測最難的一段。系統只拿到「準備晚餐」「迎接客人」「準備出門」「整理房間」這類高階需求，沒有任務清單，得自己探索環境、推導該做什麼，再靠物理檢查點累積進度。順序本身也在考題裡：論文舉的例子是先從冰箱拿食物、才能放進微波爐加熱，依賴關係想錯了，後面全部白做。
榜首的 15.4 分來自四種情境進度分數的平均：迎賓 15.8、備餐 14.3、出門 13.9、整理 17.6。這是保留部分完成度的進度分，不是家務成功率。一個把杯子拿起來放對位置的系統，會比完全沒動的系統得分高，就算兩者都沒有把客人招待完。
計分條件寫得很清楚：每個任務或情境跑 30 個實例；開放情境連續 120 個模擬秒沒有進展就終止；程式代理每個片段上限 200 次模型回應，單次工具呼叫最多 600 個控制步（等於 30 秒模擬時間）。行為面另有四個輔助指標：任務覆蓋率記錄有接觸或操作啟動證據的任務比例，任務進度把已啟動任務賺到的過程分除以它們的滿分，恢復率記錄失敗後同一任務接著成功的比例，停滯率記錄花在無進展狀態的時間佔比。
停滯率的數字最能說明「會操作」與「會自主」的落差：獨立政策在開放情境的停滯率高得驚人，InternVLA-A1.5 達 88.3%、OpenWAM-Alpha 84.6%，大部分時間處於閒置或無效移動，論文的案例影格裡 InternVLA-A1.5 整段沒有啟動任何任務；程式代理好一些，Codex 的停滯率 33.7%，它傾向反覆重試同一個子任務直到時間耗盡。反覆做同一個失敗的抓取，看起來很忙，卻可能擠掉其他該完成的家務，停滯率就是把「看起來在忙」與「真的有進展」分開的指標。
指令寫得太細，學習型執行器反而難消化
哪個程式代理當規畫器最有感？論文的交叉實驗把四個政策模型分別配給三種程式代理規畫，Antigravity CLI 帶來的增益最大，幅度從 +11.6 到 +16.0 分。團隊進一步抽樣每個規畫器的 10 個開放情境片段比對指令風格，發現 Antigravity CLI 的指令比較短、切換比較少、執行細節比較少，詞彙也比較簡單；Codex 則經常寫出鉅細靡遺的操作程序，論文原文的說法是「包括指定該用哪一隻手」，而學習出來的執行器反而難以消化這種長指令。作者的推測是：簡短的高階指令比較接近政策訓練時看過的語言。
這個發現的樣本只有每個規畫器 10 個片段，屬於作者的宣稱而非大樣本統計，但對想把大型語言模型接上機器人政策的團隊是個直接的提醒：規畫器寫得越像工程文件，執行器未必越聽話。
遞迴自我改善則是另一條獨立的故事線。三個程式代理在十個連續片段裡回頭修改自己的控制工具，把成功經驗保留到下一輪，兩個層級的成績都隨輪次上升，例子是把一次到底、超出關節可行範圍的伸取，拆成經過中間姿態的小步驟。要畫清界線：改善的是工具與執行經驗，不是重新訓練模型權重，論文回報的也是第十輪的成績，首次進場的系統拿不到這個數字。
模擬榜單搬到真機：三個系統的對照
論文另挑了任務子集與四個情境代表，讓 InternVLA-A1.5、OpenWAM-Alpha 與 Codex 三個系統在模擬與真實環境各跑 30 個實例，兩邊的訓練示範數量也對齊（原子與短任務各 50 段、長任務與開放情境各 10 段）。
結果方向一致：真實世界的分數普遍較低。Codex 的五項平均從 34.2 降到 31.9，開放情境從 8.7 降到 6.0；InternVLA-A1.5 從 17.8 降到 13.5；OpenWAM-Alpha 從 8.5 降到 8.2，開放情境直接歸零。論文的判讀是實體互動更難、真實場景更雜亂，但三個系統的相對排名保持不變；釋出的真機案例涵蓋一段有人為介入的抗擾任務與一個開放情境。這是配對子集的對照，不是整套榜單的真機版，SO-101 Bench 的量測也指向同一個結論：模擬榜單可以拿來排順位，分數本身搬不到真機上用。
採用之前的三道門檻
授權是分層的。評測程式碼走 Apache-2.0；團隊自製的房間、任務物件與題庫走 CC BY 4.0；AgiBot G1 與 GenieSim 的機器人資源沿用上游 CC BY-NC-SA 4.0 條款，包含姓名標示、非商業與相同方式分享。下載評分程式不等於所有外部元件都能同樣使用。
硬體門檻也不低。想真正啟動模擬，需要 Linux x86_64、Docker、NVIDIA Container Toolkit 與 Isaac Sim 相容的 NVIDIA GPU（原生環境鎖 Isaac Sim 5.1）；只想看任務目錄的話，核心套件不需要 GPU。資產檔案約 7.04 GB、33 個壓縮檔，另有約 260 MB 的設定檔。
版本問題最容易踩坑。公開版提供每個任務或情境 30 個保存初始設定，合計 1,470 個，官方文件明講這些是供可重現評測的釋出版本，不是論文結果使用的原始實例。重現時要記下評測器 commit 與設定庫版本，設定庫在 10 月 28 日（UTC）一天內就從 0.2.11 迭代到 0.2.16。想要從訓練端重跑的團隊，團隊另在 Hugging Face 釋出以這份資料微調的 InternVLA-A1.5-RAB 模型與訓練資料集；情境推理的題庫與標準答案包在資產檔裡，屬於評測器資料，受測代理的觀測裡看不到。
對誰有用，還沒定案的部分
機器人研究團隊是直接受眾：評測支援接入自己的代理，架構消融實驗（換規畫器、換執行器、加驗收）正是這套基準設計出來的用法。正在做機器人產品的團隊，把榜單分數當模擬環境的相對值讀就好，真機表現要另外驗。一般讀者則多了一個校準點：「會自己做家務」的機器人離商品化還很遠，但差距已經被拆成可量測的數字，而不是一句「還不夠聰明」。
未定案的部分也要攤開：真機對照只有三個系統的子集，沒有覆蓋全部 11 個政策模型與五種代理架構；開放情境的計分依賴物理檢查點的設計，檢查點怎麼選會影響分數；這些數字對應的是第一版論文的量測條件與公開設定庫的現行版本。
同場加映兩篇相關評測的觀察：RoboWorld 把 25 套模擬環境交給代理自己建，前沿模型在最難任務全數掛零；micro1 的 Dual-Arm Sim 則抓到模型回報完成、感測器說沒有的落差。RobotAgentBench 補上第三塊拼圖：當操作能力漸漸到位，自主性的差距出現在架構交接，而這段差距現在有了計分方式。
