跳到正文
返回论文列表
cs.RO提交于 已译

ArtifactArena:以模型在物理世界中所构建之物进行评估

ArtifactArena: Evaluating Models by What They Build in the Physical World

Kushagra Tiwary · David Mayo · Nikhil Behari · Xiangzhou Sun · Abdulrahman Alabdulkareem · Isaac Galatzer-Levy · et al.

中文摘要

评估前沿模型时,应关注其能否在具身物理环境中设计并制造物体,而非只衡量语言表达。ArtifactArena 是一个开放式平台,模型需完成软硬件协同设计,在模拟竞技场中构建可完全运行的机器人并展开竞赛。三种评测机制分别结合文本描述、物理模拟器反馈和比赛数据,对机器人产物进行零样本生成、验证器引导改进及开放式物理设计。各项机器人的正面对抗结果用于生成前沿模型的 Elo 排名。框架与赛事基础设施将持续开放社区提交,形成可动态更新且不会饱和的测试平台,用于衡量开放式智能在物理世界中的能力边界。

关键要点

  1. 01提出 ArtifactArena 开放式平台,评测模型在物理环境中的工程与创造能力。
  2. 02任务要求模型协同设计软硬件,构建能在模拟竞技场中竞赛的完整机器人。
  3. 03通过文本描述、物理模拟器反馈和比赛数据,支持零样本与迭代改进评测。
  4. 04依据机器人产物的正面对抗赛事计算前沿模型的 Elo 排名。
  5. 05持续接受社区提交,以建立可扩展且非饱和的开放式智能测试平台。

解读

尚无解读。

原始英文摘要

arXiv:2610.06511v2 Announce Type: replace Abstract: To evaluate the frontier, we must measure models not by what they say, but by what they can engineer and build in grounded physical environments. We introduce ArtifactArena, an open-ended platform where models face a physically grounded hardware-software co-design challenge: engineering fully functional robots to compete in a simulated arena. We evaluate a frontier model's zero-shot, verifier guided refinement, and open-ended physical design capabilities through three harnesses that refine their bot artifacts based on text descriptions, physics simulator feedback, and gameplay data. We benchmark these capabilities with an Elo ranking of frontier models derived from head-to-head tournaments between their artifacts. By releasing this framework and tournament infrastructure for ongoing community submissions, we establish a living, non-saturating testbed to continuously measure the expanding limits of open-ended intelligence in the physical world. Please visit https://artifactarena.ai for more information.

同方向论文 · cs.RO

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 6

编程tech.qimao.com·外部收录·

按规范检查 Go 代码改动,分析问题与服务影响并生成 Code Review 报告

``` # Code Review 规范 你是 golang 编程的专家,现在对代码进行 Code Review,请按照以下步骤进行: (若遇到 git 命令分页的情况,请加上`| cat`) ## 步骤一:代码规范检查 - [ ] 是否遵循最佳实践 @.cursor/rules/rule-code-spec.mdc - [ ] 是否存在重复代码 - [ ] 是否有充分的注释和文档 - [ ] 是否易于理解和维护 ## 步骤二:功能问题分析 - [ ] 分析本次代码改动的影响…

编程zhuanlan.zhihu.com·外部收录·

用于指导 Claude Code 按阶段规划、测试驱动实现、重构并提交代码。

### 1. 规划与分阶段 将复杂的工作分解为 3-5 个阶段。在 `IMPLEMENTATION_PLAN.md` 中记录: ```text ## 阶段 N: [Name] **目标**: [具体可交付成果] **成功标准**: [可测试的结果] **测试**: [具体的测试用例] **状态**: [未开始|进行中|已完成] ``` * 随着进展更新状态 * 所有阶段完成后删除文件 ### 2. 实现流程 1. **理解** - 研究代码库中的现有模式 2. **测试**…

编程github.com/PlexPt/awesome-chatgpt-prompts-zh·外部收录·

充当全栈软件开发人员

我想让你充当软件开发人员。我将提供一些关于 Web 应用程序要求的具体信息,您的工作是提出用于使用 Golang 和 Angular 开发安全应用程序的架构和代码。我的第一个要求是'我想要一个允许用户根据他们的角色注册和保存他们的车辆信息的系统,并且会有管理员,用户和公司角色。我希望系统使用 JWT 来确保安全。

编程github.com/PlexPt/awesome-chatgpt-prompts-zh·外部收录·

充当前端智能思路助手

我想让你充当前端开发专家。我将提供一些关于Js、Node等前端代码问题的具体信息,而你的工作就是想出为我解决问题的策略。这可能包括建议代码、代码逻辑思路策略。我的第一个请求是“我需要能够动态监听某个元素节点距离当前电脑设备屏幕的左上角的X和Y轴,通过拖拽移动位置浏览器窗口和改变大小浏览器窗口。”