GPT-6 Astra直接操控机器人实测：语义理解与物理执行存在明显落差
2026年10月20日发布的一项研究系统评测了GPT-6 Astra通过轻量框架直接闭环操控机器人的能力：模型能用深度、示范和触觉反馈修正动作，但在精确规划和运动可行性上仍明显不足。这关系到通用多模态大模型能否跳过专门训练的动作策略，直接进入机器人执行环节。
标签： GPT-4
Agent S4让AI自己设计界面：开源电脑操作智能体OSWorld得分21.3%
根据 Hugging Face Papers 上发布的一篇论文摘要，研究者提出让智能体自主设计并演化操作界面的 Agent S4；在开源模型 Qwen3.8-27B 配合演化界面仓库时，OSWorld V2 二值得分为 21.3%，约为固定界面版本的 3.8 倍。
WildAWM用开源模型合成电脑操作环境，训练Qwen模型在8项基准上提升
alphaXiv 收录的论文提出 WildAWM，一套用开源模型合成 GUI、MCP 与命令行三合一电脑环境及任务的流水线，生成 341 个长程任务对，并在其上训练 Qwen 模型验证跨任务迁移。
Hugging Face论文提出StopLoss：小模型提前止损，降低编程智能体验证成本
Hugging Face Papers 收录的论文提出 StopLoss，一个基于完成轨迹和验证结果训练的小型外部监控器，可在编程智能体大概率失败时提前终止运行，以更低成本换取资源节省。
StebBench 发布：最强模型步骤排序正确率仅 63%
一款名为 StebBench 的新基准，从 wikiHow 整理 6,885 条流程，专门诊断 AI Agent 在步骤缺失、错序和内容错误上的表现；结果最强模型在步骤排序任务上正确率仅 63.0%，长流程骤降到 33.1%。
BlenderWorld 基准测试：13 个前沿模型在 3D 创作任务中的真实表现
Hugging Face Papers 收录的论文摘要提出 BlenderWorld，这是首个面向真实 3D 创作任务的综合基准，包含 223 个任务和 2651 条二元评分细则；在 13 个前沿模型测试中，GPT-6-Astra 综合分最高，为 79.9。它值得关注，是因为它暴露了当前模型在 3D 空间一致…
Sauron验证器登顶Hugging Face论文：证据优先核查智能体任务，F1达0.96
Hugging Face Papers 收录的论文提出证据优先的智能体验证器 Sauron，在摘要给出的评测中超越 Gandalf 等基线，F1 达 0.96，旨在减少智能体自报成功和评分标准误判带来的奖励偏差。
HandsOn仿真基准发布：灵巧操作最强多任务策略仅29.1%成功率
alphaXiv 于2026年10月19日介绍了一个名为 HandsOn 的跨本体灵巧操作仿真平台与基准，包含5种机械臂、6种灵巧手和约200种资产。它用1.8万条人类演示训练，再用不提供目标演示的迁移任务考察泛化，结果显示当前最强多任务策略在 Core-50 上成功率仅29.1%。
AdaExploreBench 发布：LLM 智能体主动探索与规则漂移适应平均仅 61.9%
Hugging Face Papers 收录的新论文提出 AdaExploreBench，用隐藏规则和隐式规则漂移考察 LLM 智能体能否主动探索并自我校正。八款主流模型测试显示，表现最好的 GPT-6 Sol 校准准确率也只有 61.9%，主动探索仍是大模型智能体的明显短板。
Artificial Analysis 上线 HealthBench 双榜单：医疗对话评测纳入模型横向比较
Artificial Analysis 于 2026 年 10 月 19 日上线 HealthBench 与 HealthBench Professional 两个榜单，把 OpenAI 面向真实医疗对话的评测结果整理成可横向比较的分数与成本对比，医疗场景下选模型的讨论有了更具体的参照。