Markdown 版本

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

# EmbodiedCLBench 未發現增加範例能帶來穩定提升

> EmbodiedCLBench 測試模擬家務任務。作者研究中，一個範例提升了進階任務成功率，但更多範例沒有帶來穩定增益。

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) 是 10 月 9 日發布的預印本，測試 AI 代理程式能否運用簡單家務任務的經驗，解決這些任務的新組合。作者的模擬評估中，一個先前範例帶來明顯提升；增加更多範例並未可靠地進一步提高成功率。因此，這項基準有助於區分初始效益與技能持續累積的證據。

## 重大變化

- **變化內容：** 研究人員發布包含 168 項基本與 100 項進階家務任務的基準，用來測試代理程式能否將經驗帶入未見過的任務組合。
- **運作方式：** 代理程式先完成相關基本任務，再從以 TongSim 家庭模擬器建立的離線狀態圖中選擇候選動作。在固定步數預算內達成目標即為成功。
- **作者的發現：** 主要比較中，取得兩項基本任務的經驗，讓測試的八種框架與模型組合在進階任務上的成功率都提高。較窄的範例數量分析顯示，從零個增至一個很有幫助，但從一個增至六個沒有一致上升趨勢。
- **為何重要：** 這些結果讓開發者能測試代理程式是否運用新經驗解決陌生組合，而不是先假設儲存更多範例會改善表現。研究評估的是模擬決策，不是實體機器人的操作。

## 家務任務成為一連串選擇

這項基準使用 [TongSim](https://arxiv.org/html/2610.13021v1#S3.SS1)，一款具備室內場景、可互動物件，以及走近、拿起、打開、啟動等動作的模擬器。作者以短串物件互動建立基本任務；進階任務則結合兩至四類基本任務的動作。論文以「把杯子放在桌上」為基本範例，以「整理房間」為進階範例。

在已發布的評估中，代理程式不會控制正在運行的模擬器。作者使用閉源 TongSim 版本建立離線狀態轉換圖。每個節點包含模擬器影像與候選動作。可執行的選擇會使代理程式移至另一狀態；無效動作在該狀態無法執行。代理程式持續選擇，直到達成目標或用完步數。論文指出，任務描述與候選動作由 Qwen3.7-Plus 產生並經人工檢查。

這項設計明確定義測量結果：[成功率](https://arxiv.org/html/2610.13021v1#S4.SS1)是預算內完成的任務比例。主要測試的進階任務最短路徑為 12 步，測試時再允許三步。因此，失敗可能反映在此限制下選錯順序或效率不佳；它不衡量抓取可靠度、動作控制，或在變動中的實際住宅環境表現。

## 先前任務有幫助，之後增益趨平

以下的[主要結果表](https://arxiv.org/html/2610.13021v1#S4.SS1)比較沒有先前範例的進階任務代理程式，以及兩種從兩項相關基本任務延續經驗的方法。情境內學習保留完整的先前互動軌跡；技能學習則以代理程式撰寫的 Markdown 技能摘要取代軌跡。在四種框架各搭配兩個基礎模型時，兩種方法都勝過對應的零樣本進階任務結果。例如，搭配 Qwen3.8-Flash 的 Codex 框架，沒有學習階段時為 4%，使用軌跡時為 34%，使用技能摘要時為 33%。這些是作者在此基準任務集與預算下的結果。

範例數量分析將基本任務範例從零變為六個。作者在此只使用 Hermes 與 OpenClaw，兩者皆搭配 Qwen3.8-Flash。在兩種框架與兩種學習方法中，一個範例讓進階任務成功率從零範例的 8%–10% 區間升至 28%–40%。第一個範例之後，四條報告曲線都沒有隨範例增加而持續上升。這項發現適用於論文評估條件下的這些代理程式與記憶方法，並未確立經驗效益的一般上限。

作者的[動作分析](https://arxiv.org/html/2610.13021v1#S5.SS3)提供了改善原因的較窄線索。相較於零樣本執行，有經驗的代理程式在記錄的決策中選擇較少無效動作。論文在使用 Qwen3.8-Flash 分析的四種框架中，報告降低 13%–20%。這種模式符合更善用可用動作選項的解釋，但不能證明代理程式學會了持久且通用的技能。

研究人員選擇評估方法時，可問：在相同保留組合與步數預算下，先前任務的數量與多樣性增加時，某方法是否提升成功率？EmbodiedCLBench 為此提供結構化測試。證據仍是作者 10 月 9 日的預印本與專案發布；BIG CHANGE 未執行此基準，這些結果也未在此獨立重現。

## 來源與延伸閱讀

- [Jie Huang 與共同作者，〈EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents〉，arXiv v1](https://arxiv.org/html/2610.13021v1)，發布於 2026 年 10 月 9 日。主要論文記錄 TongSim 任務建構、離線動作圖、步數預算、八種主要框架／模型設定，以及較窄的零至六範例分析。所有結果都是作者報告的模擬結果；這是預印本，並非實體機器人試驗或獨立重現。
- [EmbodiedCLBench 專案頁面](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/)，於 2026 年 10 月 13 日查閱。作者頁面概述此基準，並連結程式碼與資料集發布。它重述論文發現，不是獨立實驗來源。
- [arXiv 版本紀錄](https://arxiv.org/abs/2610.13021v1)，於 2026 年 10 月 13 日查閱。確認論文標題、作者與 10 月 9 日 v1 日期；提供的是中繼資料，不是另一份效能證據。

## Sources

- [EmbodiedCLBench 論文，arXiv HTML v1](https://arxiv.org/html/2610.13021v1) — 2026 年 10 月 9 日預印本，是任務建構、研究流程與作者報告模擬結果的主要來源；沒有獨立重現。
- [EmbodiedCLBench 專案頁面](https://pku-value-lab.github.io/EmbodiedCLBench-homepage/) — 作者提供的基準概覽及程式碼、資料集連結；重述論文結果。
- [EmbodiedCLBench 的 arXiv 版本紀錄](https://arxiv.org/abs/2610.13021v1) — 確認標題、作者與 v1 日期；不提供獨立實驗證據。