搜索
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%。
视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。
具身智能公司辛苦训练的「机器人大脑」，要被 GPT、Claude、Gemini 抢饭碗了？
大语言模型的生成过程天然具有自回归特性，即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大，单步前向计算的开销也随之增加，使得自回归解码面临较高的推理延迟。
同样的一个问题，在不同学科中的表达与关键词，往往天差地别。
让视频生成模型沿着相机轨迹不断探索一个场景，并不算最难。真正困难的是：当镜头绕了一圈再次回到原点，房间的布局、家具的位置和墙面的纹理，是否还与最初一样？
Agent 执行长程任务时，代码、工具输出和交互记录不断累积，上下文也跟着变长。
人类每天都在完成丰富的手部操作。通过头戴相机记录下这些过程，能为具身智能提供大量示范。
大模型做 In-Context Learning（ICL，上下文学习）时，通常会先从示例库里检索若干 demonstration，再把这些示例和当前问题一起放进 prompt。
任务很简单：把一个加热后的杯子放进柜子。一个智能体先把杯子放进微波炉，再放进柜子，随后陷入反复查看柜子的循环。这个无效行为重复了 36 次，直到耗尽行动预算，任务仍然没有完成。