Markdown ایڈیشن

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

# EmbodiedCLBench کو اضافی مثالوں سے مستقل فائدہ نہیں ملا

> EmbodiedCLBench مصنوعی گھریلو کاموں کی جانچ کرتا ہے۔ مصنفین کے مطالعے میں ایک مثال نے اعلیٰ درجے کے کاموں میں کامیابی بڑھائی، مگر اضافی مثالوں سے مستقل فائدہ نہیں ہوا۔

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)، 9 اکتوبر کا پری پرنٹ، جانچتا ہے کہ AI ایجنٹ سادہ گھریلو کاموں کا تجربہ استعمال کرکے ان کے نئے مجموعے حل کرسکتے ہیں یا نہیں۔ مصنفین کے مصنوعی جائزے میں ایک سابقہ مثال سے بڑی بہتری آئی۔ مزید مثالیں شامل کرنے سے کامیابی قابلِ اعتماد طور پر نہیں بڑھی۔ یہ معیار ابتدائی فائدے اور مسلسل مہارت جمع ہونے کے ثبوت میں فرق کرنے میں مدد دیتا ہے۔

## بڑی تبدیلی

- **کیا بدلا:** محققین نے 168 بنیادی اور 100 اعلیٰ درجے کے گھریلو کاموں پر مشتمل معیار جاری کیا تاکہ دیکھا جائے ایجنٹ ان دیکھے کاموں کے مجموعوں میں تجربہ منتقل کرسکتے ہیں یا نہیں۔
- **طریقہ کار:** ایجنٹ پہلے متعلقہ بنیادی کام مکمل کرتے ہیں، پھر TongSim گھریلو سمیولیٹر سے بنائے گئے آف لائن حالت گراف میں ممکنہ اقدامات منتخب کرتے ہیں۔ مقررہ قدموں کے بجٹ میں ہدف تک پہنچنا کامیابی ہے۔
- **مصنفین کے نتائج:** مرکزی تقابل میں دو بنیادی کاموں کا تجربہ دستیاب ہونے سے آزمودہ آٹھوں ہارنس اور ماڈل جوڑوں میں اعلیٰ کاموں کی کامیابی بڑھی۔ محدود مثال-تعداد تجزیے میں صفر سے ایک پر جانا بہت مددگار رہا؛ ایک سے چھ پر مستقل اضافہ نہیں تھا۔
- **یہ کیوں اہم ہے:** نتائج ڈویلپرز کو یہ جانچنے کا طریقہ دیتے ہیں کہ ایجنٹ نئی مثالیں نامانوس مجموعوں کو حل کرنے میں استعمال کرتا ہے یا نہیں، بجائے اس کے کہ زیادہ مثالیں ذخیرہ کرنے کا فائدہ فرض کرلیں۔ مطالعہ مصنوعی فیصلے جانچتا ہے، حقیقی روبوٹ کا عمل نہیں۔

## گھریلو کام انتخاب کا سلسلہ بن جاتا ہے

معیار میں [TongSim](https://arxiv.org/html/2610.13021v1#S3.SS1) استعمال ہوتا ہے، جو اندرونی مناظر، تعامل پذیر اشیا اور قریب جانے، اٹھانے، کھولنے اور چلانے جیسے اقدامات والا سمیولیٹر ہے۔ مصنفین مختصر اشیا-تعامل سلسلوں سے بنیادی کام بناتے ہیں؛ اعلیٰ کام دو سے چار بنیادی زمرے ملاتے ہیں۔ مقالے کی مثالیں “کپ میز پر رکھنا” اور “کمرہ سمیٹنا” ہیں۔

شائع شدہ جائزے میں ایجنٹ چلتے ہوئے سمیولیٹر کو کنٹرول نہیں کرتا۔ مصنفین نے آف لائن حالت-تبدیلی گراف بنانے کے لیے TongSim کا بند ماخذ ورژن استعمال کیا۔ ہر نوڈ میں سمیولیٹر کی تصویر اور ممکنہ اقدامات ہیں۔ قابلِ عمل انتخاب ایجنٹ کو دوسری حالت میں لے جاتا ہے؛ غلط اقدام وہاں نہیں چل سکتا۔ ایجنٹ ہدف یا قدموں کے خاتمے تک انتخاب دہراتا ہے۔ مقالے کے مطابق کام کی وضاحتیں اور ممکنہ اقدامات Qwen3.7-Plus سے بنائے اور دستی طور پر جانچے گئے۔

یہ ڈیزائن ناپے گئے نتیجے کو واضح کرتا ہے: [کامیابی کی شرح](https://arxiv.org/html/2610.13021v1#S4.SS1) بجٹ میں مکمل کیے گئے کاموں کا حصہ ہے۔ مرکزی ٹیسٹ کے اعلیٰ کاموں کا مختصر ترین راستہ 12 قدم ہے، اور ٹیسٹ میں مزید تین قدم دیے جاتے ہیں۔ ناکامی اس حد میں غلط یا غیر مؤثر سلسلہ دکھا سکتی ہے۔ یہ پکڑنے کی قابلِ اعتماد صلاحیت، حرکت کا کنٹرول یا بدلتے حقیقی گھر میں کارکردگی نہیں ناپتا۔

## پہلے کے کام مدد دیتے ہیں، پھر فائدہ برابر ہوجاتا ہے

اہم نتائج کا [اہم نتائج کا جدول](https://arxiv.org/html/2610.13021v1#S4.SS1) بغیر سابقہ مثالوں کے اعلیٰ کام کرنے والے ایجنٹوں کا تقابل متعلقہ دو بنیادی کاموں کا تجربہ آگے لے جانے کے دو طریقوں سے کرتا ہے۔ سیاقی سیکھنا پچھلی مکمل تعاملی ترتیب محفوظ رکھتا ہے؛ مہارت سیکھنا انہیں ایجنٹ کے لکھے Markdown خلاصے سے بدلتا ہے۔ چار ہارنس میں ہر ایک کے دو بنیادی ماڈل کے ساتھ، دونوں طریقوں نے متعلقہ زیرو شاٹ نتیجے کو پیچھے چھوڑا۔ مثال کے طور پر Qwen3.8-Flash والا Codex ہارنس سیکھنے کے مرحلے کے بغیر 4%، ترتیبوں کے ساتھ 34% اور مہارت خلاصے کے ساتھ 33% رہا۔ یہ اسی معیار کے کاموں اور بجٹ میں مصنفین کے نتائج ہیں۔

مثالوں کی تعداد کے تجزیے میں بنیادی کاموں کی مثالیں صفر سے چھ تک بدلی گئیں۔ مصنفین نے یہاں صرف Hermes اور OpenClaw استعمال کیے، دونوں Qwen3.8-Flash کے ساتھ۔ دو ہارنس اور دو طریقوں میں ایک مثال نے اعلیٰ کاموں کی کامیابی بغیر مثال کے 8%–10% سے 28%–40% کردی۔ اس کے بعد چاروں رپورٹ شدہ منحنیوں میں مزید مثالوں سے مستقل اضافہ نہیں ہوا۔ یہ نتیجہ مقالے کے حالات میں ان ایجنٹوں اور یادداشت کے طریقوں تک محدود ہے؛ تجربے کے عام فائدے کی کوئی حد ثابت نہیں کرتا۔

مصنفین کا [اقدام کا تجزیہ](https://arxiv.org/html/2610.13021v1#S5.SS3) بہتری کا محدود سراغ دیتا ہے۔ زیرو شاٹ رن کے مقابلے میں تجربہ رکھنے والے ایجنٹوں نے درج فیصلوں میں کم غلط اقدامات منتخب کیے۔ Qwen3.8-Flash سے جانچے گئے چار ہارنس میں 13%–20% کمی رپورٹ ہوئی۔ یہ دستیاب اقدامات کے بہتر استعمال سے مطابقت رکھتا ہے، مگر دیرپا عمومی مہارت سیکھنے کا ثبوت نہیں۔

جائزہ منتخب کرنے والے محققین کے لیے مفید سوال یہ ہے کہ سابقہ کاموں کی تعداد اور تنوع بڑھنے پر، انہی محفوظ مجموعوں اور قدموں کی حد میں کوئی طریقہ کامیابی بڑھاتا ہے یا نہیں۔ EmbodiedCLBench اس سوال کا منظم ٹیسٹ فراہم کرتا ہے۔ شواہد اب بھی مصنفین کے 9 اکتوبر کے پری پرنٹ اور منصوبے کی اشاعت تک محدود ہیں؛ BIG CHANGE نے معیار نہیں چلایا اور یہاں نتائج آزادانہ طور پر نہیں دہرائے گئے۔

## ذرائع اور مزید مطالعہ

- [Jie Huang اور ساتھی، “EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents”، arXiv v1](https://arxiv.org/html/2610.13021v1)، 9 اکتوبر 2026 کو شائع۔ مرکزی مقالہ TongSim کاموں کی تشکیل، آف لائن اقدام گراف، قدموں کی حد، آٹھ اہم ہارنس/ماڈل ترتیبات اور صفر سے چھ مثالوں کا محدود تجزیہ درج کرتا ہے۔ تمام نتائج مصنفین کے بتائے ہوئے مصنوعی تجربات ہیں؛ یہ پری پرنٹ ہے، حقیقی روبوٹ آزمائش یا آزاد تکرار نہیں۔
- [EmbodiedCLBench منصوبے کا صفحہ](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/)، 13 اکتوبر 2026 کو دیکھا گیا۔ مصنفین کا صفحہ معیار کا خلاصہ اور جاری کردہ کوڈ و ڈیٹاسیٹ کے روابط دیتا ہے۔ یہ مقالے کے نتائج دہراتا ہے، آزاد تجرباتی ماخذ نہیں۔
- [arXiv نسخے کا ریکارڈ](https://arxiv.org/abs/2610.13021v1)، 13 اکتوبر 2026 کو دیکھا گیا۔ عنوان، مصنفین اور 9 اکتوبر کی v1 تاریخ کی تصدیق کرتا ہے؛ الگ کارکردگی کے ثبوت کے بجائے میٹا ڈیٹا دیتا ہے۔

## Sources

- [EmbodiedCLBench مقالہ، arXiv HTML v1](https://arxiv.org/html/2610.13021v1) — 9 اکتوبر 2026 کے پری پرنٹ میں کاموں کی تشکیل، طریقہ اور مصنفین کے بتائے مصنوعی نتائج کا بنیادی ماخذ؛ آزادانہ طور پر دہرایا نہیں گیا۔
- [EmbodiedCLBench منصوبے کا صفحہ](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/) — مصنفین کا معیار کا تعارف اور کوڈ و ڈیٹاسیٹ کے روابط؛ مقالے کے نتائج دہراتا ہے۔
- [arXiv پر EmbodiedCLBench نسخے کا ریکارڈ](https://arxiv.org/abs/2610.13021v1) — عنوان، مصنفین اور v1 تاریخ کی تصدیق کرتا ہے؛ الگ تجرباتی ثبوت نہیں دیتا۔