一句话看懂：Ai2（Allen Institute for AI）于 2026 年 11 月 6 日发布 ToyBlocks，一个围绕机械臂与桌面积木的开源仿真框架，能自动生成任务与示范数据，用于研究机器人学到什么、为何失败。
事件核心：发生了什么
ToyBlocks 是 Ai2 提出的“FoundationWorlds”框架的首个实例。它把机械臂和积木放在一张桌子上，物理与外观尽量贴近真实，并通过域随机化改变积木尺寸、桌面高度等参数，检验模型在几何变化下的泛化。框架自动生成短时技能与任务示范，免去费时的人工遥操作；高层推理模型负责决策，底层动作模型控制运动。技能训练基于英伟达开源仿真框架 Isaac Lab，使用强化学习与运动规划，任务与动作序列则由任务与运动规划器（TAMP）自动编排。积木表面印有图案和字母，任务因此延伸到搜索、排序与摆放，而不只是抓取堆叠。
为什么重要
现有机器人演示往往狭窄，难以解释模型“学会了什么”。ToyBlocks 的价值在于提供可复现的受控实验环境：研究者可以改变训练数据或模型设计、重复测试并追溯失败原因。它延续了 Ai2 在 MolmoAct 2、MolmoBot、MolmoSpaces 上的开放机器人学习路线。当前公开信息显示，该框架强调的是方法论基础设施，而非已上线的商用机器人产品。
对用户/开发者/创作者的影响
对机器人研究者与开发者，这意味着一个低成本、可自动扩充数据的实验平台，适合验证“数据量增加后模型如何提升”“高层推理与精确物理控制如何结合”等问题，也便于对比不同训练策略。对更广泛的 AI 从业者，它提供了一个观察具身智能评测方法的样本：先在窄域把物理真实性与任务覆盖做扎实，再逐步扩展到复杂场景。
值得关注的后续
一是 ToyBlocks 的代码、数据与模型是否完整开放，社区能否复现其自动示范生成流程；二是 Ai2 能否按计划把 FoundationWorlds 扩展到更复杂的环境；三是这套评测方式是否被其他机器人团队采纳，形成可比较的基准。
