وقتی هوش مصنوعی دست به آچار می‌شود؛ رقابت مدل‌های پرچمدار در بنچمارک رباتیک AA-Robotics
بنچمارک جدید AA-Robotics با در اختیار گذاشتن یک بازوی رباتیک ۶ محوره، توانایی مدل‌های پیشروی هوش مصنوعی را در درک، برنامه‌ریزی و اجرای دستورات در دنیای فیزیکی به چالش کشیده است. در اولین دوره از این ارزیابی، مدل‌های پرچمداری نظیر GPT-6 و Gemini و Claude در ۸ مأموریت واقعی با هم رقابت کردند که نتایج جالب و خطاهای عجیبی را به همراه داشته است.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- بنچمارک جدید AA-Robotics برای اولین بار هوش مصنوعی را از دنیای کدهای متنی بیرون کشیده و کنترل یک بازوی رباتیک ۶ محوره را برای انجام مأموریت‌های دنیای واقعی به مدل‌های بزرگ زبانی سپرده است.
- در میان مدل‌های تست‌شده، مدل GPT-6 Astra با امتیاز ۶۹.۴ صدرنشین شد و مدل‌های GPT-6.1 Sol و Gemini 4 Argon به ترتیب در رتبه‌های بعدی قرار گرفتند؛ در حالی که خانواده کلود در جایگاه‌های پایین‌تر ایستادند.
- اگرچه کار‌های ساده‌ای مثل زدن دکمه قرمز برای همه مدل‌ها مثل آب‌خوردن بود، اما چالش‌هایی مثل اندازه‌گیری جعبه یا ساختن بلند‌ترین برج، حسابی اشک مدل‌ها را درآورد و نشان داد هوش مصنوعی هنوز تا درک کامل فیزیک راه درازی در پیش دارد.
معرفی بنچمارک رباتیک AA-Robotics v0.1
هشت چالش فیزیکی در دنیای واقعی
نتایج و عملکرد مدل‌ها
ریز نمرات و عملکرد در هر تسک
- امتیاز کامل (۱۰۰)
- موفقیت نسبی (۱ تا ۹۹)
- شکست کامل و نمره صفر (۰)
تسک | GPT-6 Astra | GPT-6.1 Sol | Gemini 4 Argon | Claude Opus 5.5 | Claude Fable 5.1 |
|---|---|---|---|---|---|
فشردن دکمه قرمز | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ |
قراردادن تمساح اسباب‌بازی داخل مستطیل | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ |
ریختن نوشیدنی داخل لیوان | امتیاز کامل، ۱۰۰ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | موفقیت نسبی، ۲۵ از ۱۰۰ | موفقیت نسبی، ۳۰ از ۱۰۰ |
جمع‌کردن و چیدن مکعب‌ها داخل جعبه | موفقیت نسبی، ۴۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | موفقیت نسبی، ۴۰ از ۱۰۰ | موفقیت نسبی، ۴۰ از ۱۰۰ | موفقیت نسبی، ۴۰ از ۱۰۰ |
حل چالش تطبیق اشکال هندسی | موفقیت نسبی، ۴۴ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ | موفقیت نسبی، ۳۸ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ |
نوشتن عبارت Hello World | امتیاز کامل، ۱۰۰ از ۱۰۰ | امتیاز کامل، ۱۰۰ از ۱۰۰ | موفقیت نسبی، ۴۵ از ۱۰۰ | موفقیت نسبی، ۴۵ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ |
ساختن بلند‌ترین برج ممکن | موفقیت نسبی، ۷۱ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ | موفقیت نسبی، ۵۷ از ۱۰۰ | موفقیت نسبی، ۲۵ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ |
اندازه‌گیری ابعاد جعبه | نمره صفر، ۰ از ۱۰۰ | موفقیت نسبی، ۱۷ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ | موفقیت نسبی، ۱۷ از ۱۰۰ | نمره صفر، ۰ از ۱۰۰ |
امتیاز نهایی AA-Robotics | 69.4 | 64.6 | 55.3 | 48.8 | 46.3 |
هر تلاش نمره‌ای از ۱۰۰ دریافت می‌کند؛ انجام موفق و بی‌نقص مأموریت ۱۰۰ امتیاز دارد و در صورت انجام ناقص کار، به تناسب پیشرفت حاصل‌شده امتیاز تعلق می‌گیرد.
مدل‌های خانواده GPT در محیط Codex، مدل‌های Claude در بستر Claude Code و مدل Gemini 4 Argon در محیط Antigravity اجرا شده‌اند و در تمامی آزمایش‌ها، تنظیمات استدلال روی بالا‌ترین سطح (High Effort) قرار داده شده است.
بنچمارک AA-Robotics چگونه کار می‌کند؟
زمان و هزینه پردازش
هر مدل زمان خود را چگونه سپری کرد؟
دقت فیزیکی و ظرافت حرکات
دیوار اشتباهات؛ گلچینی از سوتی‌های هوش مصنوعی در دنیای واقعی
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
دیتابیس همه‌فن‌حریف CedarDB برای عصر ایجنت‌های هوش مصنوعی؛ پایان جدایی تحلیل و تراکنش داده‌ها
استارتاپ آلمانی CedarDB با معرفی نسخه ابری دیتابیس نوآورانه خود، مرز دیرینه میان پایگاه‌های داده تحلیلی و عملیاتی را از میان برداشته است. این فناوری با سازگاری کامل با PostgreSQL و بهره‌گیری حداکثری از سخت‌افزارهای مدرن، پاسخ‌گویی سریع به پرسش‌های تحلیلی را برای ایجنت‌های هوش مصنوعی ممکن می‌سازد و هزینه‌های مهاجرت شرکت‌ها را به حداقل می‌رساند.
نفوذ بازرسان به دل آزمایشگاه‌های هوش مصنوعی؛ طرح جنجالی METR برای شکار ایجنت‌های سرکش
موسسه ایمنی METR در پیشنهادی جنجالی خواستار استقرار بازرسان مستقل در آزمایشگاه‌های غول‌های هوش مصنوعی شد تا ایجنت‌های خودمختار و سرکش را مستقیماً مهار کند. این برنامه پس از آن مطرح می‌شود که گزارش‌هایی از فریبکاری ایجنت‌ها و فرار آن‌ها از فیلترهای نظارتی فاش شد. کارشناسان معتقدند بدون نظارت مداوم و مستقیم، کنترل نسل بعدی هوش مصنوعی از دست توسعه‌دهندگان خارج خواهد شد.
دفاع جنجالی مدیرعامل فلاک از فناوری نظارتی وسط موج انتقادها: «نباید ترمز پیشرفت رو بکشیم!»
گرت لانگلی، مدیرعامل شرکت فلاک، در میانه موج شدید نگرانی‌ها درباره نقض حریم خصوصی، تمام‌قد از فناوری‌های نظارتی و دوربین‌های پلاک‌خوان این شرکت دفاع کرد. او با رد انتقادها تأکید کرد که مزایای این ابزار‌ها در مهار جرایم و ایجاد امنیت بسیار بیش‌تر از خطرات احتمالی سوءاستفاده است و جامعه برای امنیت بیش‌تر باید هزینه حریم خصوصی را بپردازد.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.