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

# EmbodiedCLBench: више примера не доноси стално побољшање

> EmbodiedCLBench испитује симулиране кућне задатке. Један пример повећава успех на напредним задацима у студији аутора, али додатни примери не доносе стални напредак.

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), прештамп објављен 9. октобра, испитује да ли AI агенти могу да искористе искуство са једноставним кућним задацима за решавање нових комбинација тих задатака. У симулираној процени аутора један претходни пример донео је велико побољшање. Додавање више примера није поуздано повећало успех. Зато је бенчмарк користан за раздвајање почетне користи од доказа о постепеном стицању вештина.

## Велика промена

- **Шта се променило:** Истраживачи су објавили бенчмарк са 168 основних и 100 напредних кућних задатака како би испитали да ли агенти могу да пренесу искуство на раније невидљене комбинације задатака.
- **Како функционише:** Агенти најпре завршавају сродне основне задатке. Потом бирају акције међу кандидатима у офлајн графу стања изграђеном на кућном симулатору TongSim. Задатак је успешан када агент стигне до циља у оквиру фиксног буџета корака.
- **Шта су аутори утврдили:** У главном поређењу, приступ искуству из два основна задатка побољшао је успех на напредним задацима у свих осам испитаних комбинација хернеса и модела. У ужој анализи броја примера прелазак са нула на један знатно је помогао, док прелазак са једног на шест није показао доследан раст.
- **Зашто је важно:** Резултати дају програмерима начин да провере да ли агент користи ново искуство за решавање непознатих комбинација, уместо да претпоставе да више сачуваних примера побољшава учинак. Студија процењује симулиране одлуке, а не рад физичког робота.

## Кућни задатак постаје низ избора

Бенчмарк користи [TongSim](https://arxiv.org/html/2610.13021v1#S3.SS1), симулатор са унутрашњим сценама, интерактивним предметима и акцијама као што су прилазак, подизање, отварање и укључивање. Аутори граде основне задатке од кратких низова интеракција са предметима. Напредни задаци спајају акције из две до четири категорије основних задатака. У раду је „стави шољу на сто“ основни пример, а „среди собу“ напредни.

У објављеној процени агент не управља симулатором који је у току. Аутори су користили затворену верзију TongSim-а за изградњу офлајн графа прелаза стања. Сваки чвор садржи слику симулатора и могуће акције. Извршив избор премешта агента у друго стање; неважећа акција тамо не може да се изврши. Агент понавља избор све док не стигне до циља или не потроши кораке. Рад наводи да су описи задатака и кандидати за акције генерисани моделом Qwen3.7-Plus и ручно проверени.

Овај дизајн прецизно одређује мерени исход: [стопа успеха](https://arxiv.org/html/2610.13021v1#S4.SS1) представља удео задатака завршених у оквиру буџета. Напредни задаци у главном тесту имају најкраћи пут од 12 корака, уз три додатна корака током тестирања. Зато неуспех може да одражава погрешан или неефикасан низ у том ограничењу. Не мери поузданост хватања, контролу покрета нити учинак у физичком дому који се мења.

## Ранији задаци помажу, а затим се добици изравнавају

Главна [главна табела резултата](https://arxiv.org/html/2610.13021v1#S4.SS1) поређује агенте који покушавају напредне задатке без претходних примера са два начина преношења искуства из два сродна основна задатка. Учење у контексту задржава целе раније трајекторије интеракција. Учење вештина замењује их агентским сажетком вештине у Markdown-у. У четири хернеса, сваки упарен са два основна модела, оба приступа надмашила су одговарајући резултат за напредне задатке без примера. На пример, Codex хернес са моделом Qwen3.8-Flash порастао је са 4% без фазе учења на 34% са трајекторијама и 33% са сажетком вештине. То су резултати аутора за скуп задатака и буџет овог бенчмарка.

Анализа броја примера мења њихов број од нула до шест за основне задатке. Аутори су ту користили само Hermes и OpenClaw, оба са Qwen3.8-Flash. У два хернеса и две методе учења, један пример повећао је успех на напредним задацима са распона од 8%–10% без примера на 28%–40%. После првог примера, ниједна од четири објављене криве није доследно расла са додавањем примера. Налаз важи за ове агенте и методе памћења под условима процене у раду; не утврђује општу границу користи од искуства.

Ужа назнака о побољшању долази из [анализе акција](https://arxiv.org/html/2610.13021v1#S5.SS3) аутора. У поређењу са покретањима без примера, агенти са искуством бирали су мање неважећих акција у забележеним одлукама. Рад наводи смањење од 13%–20% у четири анализирана хернеса са Qwen3.8-Flash. Тај образац је у складу са бољим коришћењем доступних акција, али не доказује да су агенти научили трајну, општу вештину.

Истраживачима који бирају процену корисно је питање да ли метода побољшава успех како расту број и разноврсност претходних задатака, уз исте задржане комбинације и буџет корака. EmbodiedCLBench пружа структуриран тест тог питања. Докази су и даље прештамп и објава пројекта аутора од 9. октобра; BIG CHANGE није покренуо бенчмарк, а резултати овде нису независно поновљени.

## Извори и додатно читање

- [Jie Huang и сарадници, „EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents“, arXiv v1](https://arxiv.org/html/2610.13021v1), објављено 9. октобра 2026. Главни рад бележи израду задатака у TongSim-у, офлајн граф акција, буџете корака, осам главних конфигурација хернеса и модела, као и ужу анализу од нула до шест примера. Сви резултати су симулације које су пријавили аутори; ово је прештамп, не проба физичког робота нити независно понављање.
- [Страница пројекта EmbodiedCLBench](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/), проверено 13. октобра 2026. Страница аутора сажима бенчмарк и води до објављеног кода и скупа података. Понавља налазе рада и није независан експериментални извор.
- [Запис верзије на arXiv-у](https://arxiv.org/abs/2610.13021v1), проверено 13. октобра 2026. Потврђује наслов рада, ауторе и датум верзије v1 од 9. октобра; даје метаподатке, не засебне доказе о учинку.

## Sources

- [Рад о EmbodiedCLBench-у, arXiv HTML v1](https://arxiv.org/html/2610.13021v1) — Примарни извор за израду задатака, протокол и симулационе резултате које су аутори пријавили у прештампу од 9. октобра 2026; није независно поновљен.
- [Страница пројекта EmbodiedCLBench-а](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/) — Преглед бенчмарка и везе ка коду и подацима аутора; понавља резултате рада.
- [Запис верзије EmbodiedCLBench-а на arXiv-у](https://arxiv.org/abs/2610.13021v1) — Потврђује наслов, ауторе и датум v1; не пружа засебне експерименталне доказе.