洗碗機裝載基準 DishwasherBench 發布 0.1.0 版
DishwasherBench 發布 0.1.0 版：這是一個洗碗機裝載基準，在真實機型 Bosch SMV4HAX40G 的剛體物理模擬上跑 Eco 50 洗滌，按洗淨件數計分，人類可在瀏覽器玩，模型經 MCP 接入。七關難度遞增，首關之後並非所有餐具都裝得下，須自行取捨。官方檔最大關卡一次洗滌在 MacBook Pro M3 Pro 上耗時 4.9 分鐘。兩個模型已通過 OpenAI 相容端點試玩三個關卡共六局，尚無人類基線；
把洗碗機裝載做成可回放驗證的物理基準，瀏覽器與 MCP 雙通道，並公開 48 項裝載現象中僅 17 項通過、評分對盤子刀叉尚不可信；對關心 agent 基準與模擬可信度的人有用。
原標題：DishwasherBench – Can Frontier Models Stack a Dishwasher?
閱讀原文
| 評分 | 58 / 55（平均 56，門檻 76） |
|---|---|
| 狀態 | 未入選 |
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。
南洋理工研究：Harness 選擇需與模型任務聯合評估
新加坡南洋理工大學安波團隊發布報告《Finding the Right Fit》，用 4 套可配置 Harness（OpenHands、DSH、PI、openJiuwen）交叉 5 個模型、3 個任務集，共得到 66 項結果。結論是 Harness 好壞並非固定屬性，同一模型換 Harness 後排名可能反轉，原生搭配也不一定最優；成本更高未必得分更好。
@MistralAI: Le Chonk cooked on visual grounding.
Mistral 官方帳號公布新模型 Le Chonk 在視覺定位基準 Dense 200 上取得 42% 的成績，並稱其領先於前沿閉源模型。該模型的能力是精確指出影像中各個物體所在的位置。
Dyna 發布 Dyna-2.1，疊餐巾 24 小時成功率 99.4%
Dyna Robotics 在 Dyna-2 世界動作模型之後推出物理機器人 agent Dyna-2.1，在餐廳疊餐巾任務上連續執行 24 小時、成功率 99.4%，包括把整疊餐巾碰倒後自行恢復。Dyna-2 預訓練自超過 100 萬小時人類影片，官方稱在人類資料上跨四個數量級呈現新的 scaling law。聯合創始人 Jason Ma 在 AIE NYC 訪談中表示，機器人可從最少 45 分鐘演示中學會新任務，目前已在鼎泰豐每天疊數千張餐巾。
六款 AI 決策模型吃豆人對戰，基準與排行榜開源
有人讓 jev 1.13、kev、clef、clef flash、GPT-6 Luna 和 Laya 六款低延遲決策模型玩吃豆人對抗機器人鬼魂，每個模型各跑 100 局，並公布了排行榜。測試倉庫已開源，任何人都能接入自己的模型加入排名。這些模型通過其創業公司 opper 執行，一局成本約 2 美分，併為所有人提供免費試用額度。讀者也能自己扮演吃豆人、由模型當鬼魂，作者稱打破 jev 的高分出乎意料地難。