DrivingBench：视觉语言模型能否驾驶丰田卡罗拉
研究团队提出 DrivingBench，据其所述是首个要求通用视觉语言模型驾驶真车的基准，模型通过三个工具读取丰田卡罗拉的摄像头画面，直接控制转向与速度，在低速停车场锥桶路线中行驶。
推荐理由：读者可了解一个让通用视觉语言模型直接驾驶真车的基准设计，以及延迟与工具格式如何影响模型能否完成长程任务。
评测与基准
全部主题机器人与具身智能领域的评测与基准，保留来源、阶段和证据边界。
5条精选
最新精选
第 1–5 条 · 共 5 条arXiv cs.RO精选AI 评分6666
HF blog精选AI 评分6060 DroneCATS 评测多模态 LLM 作为无人机视觉语言动作智能体
论文提出 DroneCATS-Agent 与 DroneCATS 基准，把多模态大模型直接放入无人机控制回路，动作空间仅由提示词声明，无需微调或函数调用模式。评测覆盖接近可见目标、跟踪移动目标、搜索视野外目标和多无人机编队指挥四项能力，模型规模下探到 2B。
推荐理由：DroneCATS 把多模态模型直接放进无人机控制回路，用四类任务对比前沿与 2B 小模型，可看到空间感知与动作协议之间的落差。
HF blog精选AI 评分6262 PAWBench：当前视频生成模型距离概率对齐的世界模型还有多远
论文提出概率对齐这一分布层面的世界模型要求，并发布 PAWBench 基准与 PAWEval 协议，把重复生成的视频 rollout 转成物理行为的经验分布。在 50 个场景和 11 个现有系统上，没有模型能同时稳定匹配参考概率并覆盖有效行为范围。作者随后测试语言提示、初始噪声采样和模型训练能否改变模型的预测分布。
推荐理由：论文把世界模型评估从单条视频合理性推进到行为分布层面，并给出 PAWBench 与 PAWEval 的具体评测协议。
HF blog精选AI 评分7171 WorldCycle：用可逆动作循环自监督强化学习训练长时程视频世界模型
WorldCycle 提出用可逆动作循环作为可自验证的强化学习信号，无需真值轨迹，将长时程状态回归漂移最多降低 44%，复合动作准确率提升近 4 倍。作者指出 WorldPlay、WorldCompass 等基线存在空间闭合失败与时间一致性失败，且短时程奖励无法察觉。团队同时发布 CycleBench，覆盖短、中、长时程的可逆、重复与复合循环，用于把视频世界模型当作模拟器评测。
推荐理由：作者把可逆动作循环当作无需真值轨迹的自监督信号，并公开 CycleBench，读者可据此理解长时程视频世界模型的漂移评测方式。
NVIDIA dev blog robotics精选AI 评分6262 NVIDIA 推出 Isaac Lab-Arena，简化仿真中的通用机器人策略评测
NVIDIA 发布 Isaac Lab-Arena，用于在仿真中简化通用机器人策略的评测。通用机器人策略需跨多种任务、本体和环境运行，需要可扩展、可重复的仿真评测，而大规模评测搭建繁琐且依赖人工，开发者往往要自建高开销的定制基础设施，任务库在复杂度和多样性上也有限。
推荐理由：Isaac Lab-Arena 面向通用机器人策略的仿真评测，读者可了解其如何降低大规模评测的搭建成本。