LIBERO-MAX 評測機器人執行中途的環境變化，成功率最多降 25.7 個百分點
斯坦福、CMU、MIT 等機構的研究者發布機器人評測基準 LIBERO-MAX，專門檢驗機器人在任務執行途中遭遇環境變化後能否繼續完成，論文入選 NeurIPS'26 Robotics World Modeling Workshop 口頭報告。它用共享初始狀態、指令與隨機種子的配對執行，建置 8,000 組案例和 8 類中途變化，涵蓋目標移動、容器移動、相機視角改變、感測器噪聲等；
首次把環境變化放在執行中途做配對評測，用 22.4 萬次模擬量化 14 種策略 11–25.7 個百分點的成功率下降，並驗證補償模組能否挽回失敗，對機器人策略與魯棒性評測方向的研究者最有用。
原標題：机器人伸手时，杯子被挪走了：LIBERO-MAX用22.4万次仿真检验动态可靠性
閱讀原文
| 評分 | 68 / 70（平均 69，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
新基準 VA-Bench 測 12 個多模態模型，完整任務成功率約一半
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
ROMA 讓機器人主動互動探索物體，7B 模型比肩 GPT-6 Astra
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。
Sergey Levine：機器人硬體已夠好，難點在決策與資料順序
Sergey Levine 在播客 The Peterman Pod 中表示，機器人硬體已「足夠好」，當前最大挑戰是建立讓機器人理解外部世界的決策迴圈，而非控制身體。他認為正確順序是先積累紮實的具身經驗，再接入影片等其他來源資料，與先用網際網路影片訓練的路線相反；機器人對可靠性的要求高於大語言模型，強化學習尚未解決從 95% 到 100% 的最後一步。
PaperBenchX 發布：GPT-6 Astra 完整復現率僅 13.98%
UniPat AI 發布 PaperBenchX，稱其為國際上首個多學科端到端論文結果復現基準，從 93 篇論文建置 93 個復現任務，橫跨電磁、光子、化學、材料、生物、機器人等 12 個研究方向和 10 種領域原生科學環境，含 3168 條專家校驗評分項。在這 93 個任務上，表現最強的 GPT-6 Astra 完整復現率只有 13.98%，建模與執行階段平均得分約 62%，驗證階段僅 42.8%。
OpenRSI Index 上線：讓智慧體改進 Qwen、Marin 等開源訓練方案
OpenRSI Index 正式發布，這是一個用真實開源研究專案出題、檢驗科研智慧體能否改進人類訓練方案的評測基準。任務取自 Marin、Qwen、GPIC 等專案，覆蓋預訓練、後訓練與影像生成，單次執行算力從 5,815 到 20,864 H100·小時。智慧體在工作區反覆實驗，提交後凍結快照交由獨立評測環境驗收，原作者方案在同一環境重跑作為對照，篡改獎勵、洩露評測資訊或超預算計零分。