一句话看懂：Hugging Face Papers 收录的论文提出 Embodied First Exam，用 1,156 个任务评测编码智能体控制真实机器人；目前公开摘要显示，最强组合 GPT-6 Astra 在核心任务标准设置中成功率仅 34%，说明编码智能体进入物理世界仍有明显短板。
事件核心：发生了什么
一篇来源时间为 2026 年 11 月 9 日的论文摘要介绍，研究团队构建了名为 Embodied First Exam 的评测框架，让编码智能体自行选择控制方式：直接控制、写代码控制，或训练策略后再控制。框架覆盖 35 个任务套件、47 台机器人，共 1,156 个任务，其中 9 个新套件超出抓取放置，涉及空间谜题、灵巧操作、多机器人交互、动态全身控制和 sim-to-sim 工程。
每个任务可在三种设置下运行：标准设置只给传感器观测、默认不能重置环境；实时变体让环境在智能体推理时持续运行；特权设置开放完整模拟器状态和无限重置，用于寻找近似上限。在 456 个核心任务上，八个智能体中表现最好的 GPT-6 Astra 在 Codex 内运行，标准设置成功率 34%。
为什么重要
过去机器人基准多围绕视觉运动策略学习，而这项工作把评测对象换成了编码智能体，等于给“用大模型写代码控制机器人”这条路线设了一道统一考试。34% 的数字并不好看，但它提供的是可比较的起点：智能体能否在物理约束、实时响应和不可重置条件下稳定工作，而不是只在仿真里跑分。对行业而言，这类 agent-native 基准可能影响后续机器人 AI 的训练目标、模型选型和开源社区复现方式。
对用户/开发者/创作者的影响
开发者可以把它当作选型参考：如果要做机器人控制类 AI 应用，需关注智能体在标准设置和实时变体下的失败环节，而不只看特权上限。研究者可利用其失败阶段标注，定位是感知、规划还是执行层出问题。普通用户和内容创作者则应保持克制：论文摘要不等于已上线产品，目前公开信息显示它仍是评测框架，尚不能说明编码智能体已具备通用机器人控制能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文是否公开完整实验细节和失败分析，尤其是 34% 之外各智能体的差距；二是社区是否复现该基准，并推动更多模型参与排名；三是“编码智能体控制机器人”能否从评测走向真实硬件部署，以及实时设置下的延迟和安全性如何解决。
