机器人是否真正具备物理世界的通用智能？一个全新的桌面语言操作基准测试给出了答案。它通过标准化的场景、阶梯式的指令和严格的自主规则，为具身智能领域提供了一个客观、可量化的能力标尺，推动研究走向真正实用的新阶段。
智能速览
新基准通过语言指令测试机器人操作日常物品的能力。
动态随机场景确保机器人每次都面对全新挑战。
指令难度分为三级，从直接执行到复杂空间关系推理。
机器人需在3小时内完全自主完成30轮任务。
总分170分的评分体系旨在衡量系统的综合性能。
精华内容
这个看似简单的任务，背后是对机器人鲁棒性、泛化性与执行效率的终极考验，其设计细节值得深入探究。
核心设计
该基准的核心在于一个精心设计的“语言与物理”交汇测试。系统在桌面上随机摆放包含糖盒、香蕉等16种日常物品，并利用AprilTag实时生成标准化的布局，确保每次测试场景都是全新的。
这种设计旨在一个受控的公平环境中，模拟现实世界的高度不确定性，检验机器人即时理解并适应新环境的能力。
指令分级
任务的指令难度采用阶梯式设计，共分三级，逐级攀升。第一级是简单指令，如“拿起香蕉”，考验基础执行能力。
第二级为中等难度，需要机器人进行属性推理，例如“把红色的罐头移开”。第三级困难指令则考验其对复杂空间关系的理解，如“把苹果放在碗里面”。
极限挑战
这是一场严格的限时评估，模式为“完全自主”。任务开始后，人类除重置场景外不得进行任何干预，机器人必须独立完成所有操作。
在3小时内，机器人需要连续完成30轮随机生成的任务，以检验其长程任务的泛化能力。评分规则也极为明确：成功获得该轮满分，失败则记0分。简单、中等、困难任务的分值分别为2分、5分和10分，总分170分，确保排名靠前的系统在鲁棒性、泛化性和效率上均表现卓越。
科研愿景
该基准旨在推动整个领域回答一些核心问题，例如如何将模糊的语言概念准确映射到物理空间？面对新物体布局时，何种系统架构能实现真正的零样本泛化？
通过统一的物体、随机的布局和分级的指令，这些抽象问题被转化为了可测量、可比较的客观评估模式，为研究提供了清晰的方向。
该基准不仅是一场比赛，更是一个推动具身智能发展的催化剂。它将抽象问题转化为可量化的标准，为全球研究者提供了对话的基础。未来，真正的通用机器人将诞生于这样的严格检验之中，下一个突破会来自哪里？
