会看图、会写代码的通用 Agent,能完成机器人操作吗?CodeActionBench 发布
会看图、会写代码的通用 Agent,能完成机器人操作吗?CodeActionBench 发布从视觉观察到策略生成,再到物理执行与完成判断,CodeActionBench 在统一条件下评测通用多模态 Agent 的机器人操作能力。在双臂仿真评测中,GPT-6 Astra (Codex CLI) 的尝试成功率达到 73.3%,Claude Opus 5 在 Reference harness 和 Claude Code 下分别取得 49.3% 和 45.3%。