Markdown आवृत्ती

AI-translated from English; not yet reviewed by a fluent editor.

# EmbodiedCLBench ला अधिक उदाहरणांतून स्थिर वाढ आढळली नाही

> EmbodiedCLBench अनुकरण केलेली घरगुती कामे तपासते. लेखकांच्या अभ्यासात एका उदाहरणाने प्रगत कामांतील यश वाढले; आणखी उदाहरणांनी सातत्यपूर्ण लाभ दिला नाही.

By BIG CHANGE Editorial

Published: 2026-10-13T06:25:18.817Z
Updated: 2026-10-13T06:25:18.817Z
Canonical: https://bigchange.ai/blog/embodiedclbench-robot-learning-examples

![Conceptual illustration of a simulated household room on a computer display, with an orange cup on the floor beside a low table and closed cupboard.](https://bigchange.ai/api/media/file/embodiedclbench-simulated-room-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. It does not depict an actual EmbodiedCLBench frame, test or physical deployment.

[EmbodiedCLBench](https://arxiv.org/html/2610.13021v1) हा ९ ऑक्टोबरचा प्रीप्रिंट तपासतो की AI एजंट सोप्या घरगुती कामांचा अनुभव वापरून नवी संयुगे सोडवू शकतात का. लेखकांच्या अनुकरणाधारित मूल्यांकनात एका आधीच्या उदाहरणाने मोठी सुधारणा झाली; अधिक उदाहरणांनी यश सातत्याने वाढले नाही. त्यामुळे सुरुवातीचा लाभ आणि कौशल्ये सतत साठत असल्याचा पुरावा यात फरक करता येतो.

## मोठा बदल

- **काय बदलले:** संशोधकांनी १६८ मूलभूत आणि १०० प्रगत घरगुती कामांचा बेंचमार्क प्रसिद्ध केला, जेणेकरून न पाहिलेल्या काम-संयोजनांत अनुभव वापरता येतो का हे तपासता येईल.
- **कार्यपद्धती:** एजंट आधी संबंधित मूलभूत कामे पूर्ण करतात. मग TongSim सिम्युलेटरवरून तयार केलेल्या ऑफलाइन स्थिती-आलेखात संभाव्य कृती निवडतात. ठरावीक पायरी-मर्यादेत उद्दिष्ट गाठणे म्हणजे यश.
- **लेखकांना काय आढळले:** मुख्य तुलनेत दोन मूलभूत कामांचा अनुभव मिळाल्याने तपासलेल्या आठही harness-मॉडेल जोड्यांत प्रगत कामांचे यश वाढले. शून्याहून एका उदाहरणाकडे जाणे उपयुक्त ठरले; एकाहून सहावर गेल्यावर सातत्यपूर्ण वाढ दिसली नाही.
- **हे महत्त्वाचे का:** जास्त उदाहरणे साठवली की कामगिरी सुधारते असे न मानता, एजंट नवीन अनुभवाने अपरिचित संयुगे सोडवतो का हे तपासण्याचा मार्ग निकाल देतात. अभ्यास अनुकरणातील निर्णय तपासतो, प्रत्यक्ष रोबोटचे संचालन नाही.

## घरगुती काम निवडींच्या क्रमात बदलते

बेंचमार्क [TongSim](https://arxiv.org/html/2610.13021v1#S3.SS1) वापरतो—आतील दृश्ये, परस्परसंवादी वस्तू आणि जवळ जाणे, उचलणे, उघडणे, चालू करणे अशा कृती असलेला सिम्युलेटर. लेखक छोट्या वस्तू-संवाद क्रमांतून मूलभूत कामे बनवतात; प्रगत कामांत दोन ते चार श्रेणींच्या कृती जोडल्या जातात. उदाहरणे: “कप टेबलावर ठेवणे” आणि “खोली आवरणे.”

प्रकाशित मूल्यांकनात एजंट चालू सिम्युलेटर नियंत्रित करत नाही. ऑफलाइन स्थिती-बदल आलेखासाठी लेखकांनी बंद-स्रोत TongSim वापरला. प्रत्येक नोडमध्ये सिम्युलेटरचे चित्र व संभाव्य कृती आहेत. अमलात येणारी निवड एजंटला दुसऱ्या स्थितीत नेते; अवैध कृती तिथे चालत नाही. उद्दिष्ट गाठेपर्यंत किंवा पायऱ्या संपेपर्यंत एजंट निवडतो. कामवर्णने व कृती-कँडिडेट Qwen3.7-Plus ने बनवून हाताने तपासल्याचे लेख सांगतो.

या रचनेत मोजमाप नेमके आहे: [यशाचे प्रमाण](https://arxiv.org/html/2610.13021v1#S4.SS1) म्हणजे मर्यादेत पूर्ण झालेल्या कामांचा हिस्सा. मुख्य चाचणीत प्रगत कामांचा सर्वात लहान मार्ग १२ पायऱ्यांचा असून तीन अतिरिक्त पायऱ्या दिल्या जातात. अपयश चुकीचा किंवा अकार्यक्षम क्रम दर्शवू शकते; पकडण्याची विश्वसनीयता, हालचाल नियंत्रण किंवा बदलत्या प्रत्यक्ष घरातील कामगिरी ते मोजत नाही.

## आधीची कामे मदत करतात; मग लाभ स्थिरावतो

हा [मुख्य निकालांचा तक्ता](https://arxiv.org/html/2610.13021v1#S4.SS1) आधीची उदाहरणे नसताना प्रगत काम करणाऱ्या एजंटांची तुलना संबंधित दोन मूलभूत कामांचा अनुभव पुढे नेण्याच्या दोन पद्धतींशी करतो. In-context learning आधीचे पूर्ण संवाद-क्रम ठेवते; skill learning त्यांना एजंट-लिखित Markdown कौशल्य-सारांशाने बदलते. प्रत्येकी दोन आधार-मॉडेल असलेल्या चार harness मध्ये दोन्ही पद्धतींनी संबंधित zero-shot निकाल ओलांडला. Qwen3.8-Flash सह Codex harness शिकण्याशिवाय ४%, trajectories सह ३४%, कौशल्य-सारांश सह ३३% झाला. हे या बेंचमार्कच्या संच व मर्यादेतील लेखकांचे परिणाम आहेत.

उदाहरणसंख्या विश्लेषणात मूलभूत कामांची उदाहरणे शून्य ते सहा बदलली. येथे फक्त Hermes व OpenClaw, दोन्ही Qwen3.8-Flash सह वापरले. दोन harness व दोन शिकण्याच्या पद्धतींत एका उदाहरणाने प्रगत कामांचे यश ८%–१०% वरून २८%–४०% केले. त्यानंतर चारही नोंदवलेल्या वक्रांत सातत्यपूर्ण वाढ नव्हती. हा निष्कर्ष लेखाच्या अटींतील या एजंट व स्मृतीपद्धतींना लागू आहे; अनुभवाच्या सार्वत्रिक लाभाची मर्यादा ठरवत नाही.

लेखकांचे [कृती विश्लेषण](https://arxiv.org/html/2610.13021v1#S5.SS3) सुधारणेचे मर्यादित कारण दाखवते. zero-shot धावांपेक्षा अनुभवी एजंटांनी नोंदवलेल्या निर्णयांत कमी अवैध कृती निवडल्या. Qwen3.8-Flash सह विश्लेषित चार harness मध्ये १३%–२०% घट नोंदली. हे उपलब्ध कृतींचा चांगला वापर सूचित करते, पण टिकाऊ सर्वसाधारण कौशल्य शिकल्याचे सिद्ध करत नाही.

मूल्यांकन निवडणाऱ्या संशोधकांचा उपयोगी प्रश्न: समान राखून ठेवलेली संयुगे व पायरी-मर्यादा वापरून, आधीच्या कामांची संख्या व विविधता वाढल्यावर पद्धत यश वाढवते का? EmbodiedCLBench याची संरचित चाचणी देते. पुरावा अजूनही लेखकांचा ९ ऑक्टोबरचा प्रीप्रिंट व प्रकल्प-विमोचन आहे; BIG CHANGE ने बेंचमार्क चालवला नाही आणि येथे स्वतंत्र पुनरावृत्ती नाही.

## स्रोत आणि पुढील वाचन

- [Jie Huang आणि सहलेखक, “EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents,” arXiv v1](https://arxiv.org/html/2610.13021v1), ९ ऑक्टोबर २०२६ रोजी प्रसिद्ध. मुख्य लेख TongSim कामनिर्मिती, ऑफलाइन कृती-आलेख, पायरी-मर्यादा, आठ प्रमुख harness-मॉडेल संरचना आणि शून्य ते सहा उदाहरणांचा मर्यादित अभ्यास नोंदवतो. सर्व निकाल लेखकांनी नोंदवलेले अनुकरण आहेत; हा प्रीप्रिंट आहे, रोबोट चाचणी किंवा स्वतंत्र पुनरावृत्ती नाही.
- [EmbodiedCLBench प्रकल्प पृष्ठ](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/), १३ ऑक्टोबर २०२६ रोजी पाहिले. लेखकांचे पृष्ठ बेंचमार्कचा आढावा देते व कोड-डेटासेटकडे जोडते. ते लेखाचे निष्कर्ष पुन्हा सांगते, स्वतंत्र प्रयोगस्रोत नाही.
- [arXiv आवृत्ती नोंद](https://arxiv.org/abs/2610.13021v1), १३ ऑक्टोबर २०२६ रोजी पाहिली. शीर्षक, लेखक व ९ ऑक्टोबर v1 तारीख पुष्ट करते; हे मेटाडेटा आहे, स्वतंत्र कामगिरी-पुरावा नाही.

## Sources

- [EmbodiedCLBench लेख, arXiv HTML v1](https://arxiv.org/html/2610.13021v1) — ९ ऑक्टोबर २०२६च्या प्रीप्रिंटमधील कामरचना, पद्धत व लेखकांनी नोंदवलेल्या अनुकरण-निकालांचा प्राथमिक स्रोत; स्वतंत्र पुनरावृत्ती नाही.
- [EmbodiedCLBench प्रकल्प पृष्ठ](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/) — लेखकांचा बेंचमार्क आढावा आणि कोड-डेटासेट दुवे; लेखाचे निकाल पुन्हा सांगते.
- [arXiv वरील EmbodiedCLBench आवृत्ती नोंद](https://arxiv.org/abs/2610.13021v1) — शीर्षक, लेखक व v1 तारीख पुष्ट करते; स्वतंत्र प्रयोगात्मक पुरावा नाही.