AI-translated from English; not yet reviewed by a fluent editor. # EmbodiedCLBench ne nalazi postojan dobitak od dodatnih primera > EmbodiedCLBench ispituje simulirane kućne zadatke. U studiji autora jedan primer je povećao uspeh na naprednim zadacima, ali dodatni primeri nisu doneli postojan dobitak. 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), preprint objavljen 9. oktobra, proverava mogu li AI agenti da iskoriste iskustvo sa jednostavnim kućnim zadacima da reše nove kombinacije tih zadataka. U simuliranoj proceni autora jedan raniji primer doneo je veliko poboljšanje. Dodavanje primera nije pouzdano dalje podiglo uspeh. Benchmark tako razdvaja početnu korist od dokaza o stalnom gomilanju veština. ## Velika promena - **Šta se promenilo:** Istraživači su objavili benchmark sa 168 osnovnih i 100 naprednih kućnih zadataka da bi proverili prenose li agenti iskustvo na ranije neviđene kombinacije. - **Kako radi:** Agenti prvo završavaju povezane osnovne zadatke, a zatim biraju kandidate za akcije u oflajn grafu stanja napravljenom iz kućnog simulatora TongSim. Zadatak je uspešan kada agent dostigne cilj u fiksnom budžetu koraka. - **Nalazi autora:** U glavnom poređenju, iskustvo iz dva osnovna zadatka povećalo je uspeh naprednih zadataka u svih osam testiranih kombinacija harnesa i modela. U užoj analizi broja primera, prelazak sa nula na jedan znatno je pomogao, dok od jednog do šest nije bilo doslednog rasta. - **Zašto je važno:** Rezultati daju programerima način da provere koristi li agent novo iskustvo za nepoznate kombinacije, umesto da pretpostave da više sačuvanih primera poboljšava učinak. Studija procenjuje simulirane odluke, a ne rad fizičkog robota. ## Kućni zadatak postaje niz izbora Benchmark koristi [TongSim](https://arxiv.org/html/2610.13021v1#S3.SS1), simulator sa unutrašnjim scenama, interaktivnim predmetima i akcijama kao što su prići, podići, otvoriti i uključiti. Autori grade osnovne zadatke od kratkih nizova interakcija sa predmetima; napredni zadaci spajaju akcije iz dve do četiri osnovne kategorije. Primeri su „stavi šolju na sto“ i „sredi sobu“. U objavljenoj proceni agent ne upravlja simulatorom koji radi. Autori su koristili zatvorenu verziju TongSim-a da naprave oflajn graf prelaza stanja. Svaki čvor sadrži sliku simulatora i kandidate za akcije. Izvršiv izbor vodi agenta u drugo stanje; nevažeća akcija tamo ne može da se izvrši. Agent bira dok ne stigne do cilja ili ne potroši korake. Rad kaže da su opisi zadataka i kandidati za akcije napravljeni pomoću Qwen3.7-Plus i ručno provereni. Ovaj dizajn precizno određuje meru: [stopa uspeha](https://arxiv.org/html/2610.13021v1#S4.SS1) je udeo zadataka završenih u okviru budžeta. Napredni zadaci glavnog testa imaju najkraći put od 12 koraka, uz još tri dozvoljena pri testiranju. Neuspeh zato može da odražava pogrešan ili neefikasan niz u toj granici. Ne meri pouzdanost hvatanja, kontrolu pokreta ni učinak u promenljivom fizičkom domu. ## Raniji zadaci pomažu, a zatim se dobici izravnavaju Glavna [glavna tabela rezultata](https://arxiv.org/html/2610.13021v1#S4.SS1) poredi agente koji pokušavaju napredne zadatke bez ranijih primera sa dva načina prenošenja iskustva iz dva povezana osnovna zadatka. Učenje u kontekstu čuva cele ranije putanje interakcija. Učenje veština zamenjuje ih Markdown sažetkom veštine koji piše agent. U četiri harnesa, svaki uparen sa dva osnovna modela, oba pristupa nadmašila su odgovarajući rezultat bez primera. Na primer, Codex sa Qwen3.8-Flash porastao je sa 4% bez učenja na 34% uz putanje i 33% uz sažetak veštine. To su rezultati autora za zadatke i budžet ovog benchmarka. Analiza broja primera menja osnovne primere od nula do šest. Autori su ovde koristili samo Hermes i OpenClaw, oba sa Qwen3.8-Flash. U dva harnesa i dve metode, jedan primer je podigao uspeh naprednih zadataka sa 8–10% bez primera na 28–40%. Posle prvog primera nijedna od četiri prijavljene krive nije dosledno rasla dodavanjem primera. Nalaz važi za ove agente i memorijske metode u uslovima rada; ne utvrđuje opštu granicu koristi od iskustva. Uži trag o poboljšanju daje [analiza akcija](https://arxiv.org/html/2610.13021v1#S5.SS3) autora. U odnosu na zero-shot pokretanja, iskusni agenti birali su manje nevažećih akcija u zabeleženim odlukama. Rad prijavljuje smanjenje od 13–20% u četiri harnesa analizirana sa Qwen3.8-Flash. To je u skladu sa boljim korišćenjem dostupnih akcija, ali ne dokazuje trajnu, opštu veštinu. Istraživačima koji biraju evaluaciju korisno je pitanje da li metoda povećava uspeh kada rastu broj i raznovrsnost prethodnih zadataka, uz iste zadržane kombinacije i isti budžet koraka. EmbodiedCLBench pruža strukturisani test. Dokazi ostaju preprint i objava projekta autora od 9. oktobra; BIG CHANGE nije pokrenuo benchmark, a rezultati ovde nisu nezavisno ponovljeni. ## Izvori i dodatna literatura - [Jie Huang i koautori, „EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents“, arXiv v1](https://arxiv.org/html/2610.13021v1), objavljeno 9. oktobra 2026. Glavni rad dokumentuje konstrukciju TongSim zadataka, oflajn graf akcija, ograničenja koraka, osam glavnih konfiguracija harnesa i modela, kao i užu analizu od nula do šest primera. Svi rezultati su simulacije koje su prijavili autori; ovo je preprint, ne test fizičkog robota niti nezavisna replikacija. - [Stranica projekta EmbodiedCLBench](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/), provereno 13. oktobra 2026. Stranica autora sažima benchmark i vodi do objavljenog koda i skupa podataka. Ponavlja nalaze rada i nije nezavisan eksperimentalni izvor. - [arXiv zapis verzije](https://arxiv.org/abs/2610.13021v1), proveren 13. oktobra 2026. Potvrđuje naslov, autore i datum v1 od 9. oktobra; daje metapodatke, ne poseban dokaz učinka. ## Sources - [Rad EmbodiedCLBench, arXiv HTML v1](https://arxiv.org/html/2610.13021v1) — Primarni izvor za konstrukciju zadataka, protokol i simulacione rezultate koje su autori prijavili u preprintu od 9. oktobra 2026; nije nezavisno ponovljen. - [Stranica projekta EmbodiedCLBench](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/) — Pregled benchmarka i veze autora ka kodu i podacima; ponavlja rezultate rada. - [Zapis verzije EmbodiedCLBench-a na arXiv-u](https://arxiv.org/abs/2610.13021v1) — Potvrđuje naslov, autore i datum v1; ne pruža zasebne eksperimentalne dokaze.