[↖ 研究日誌](https://www.goodailabs.com/zh-tw/blog/) 機器人學習 # 機器人放置的四項測試 位置可以達到目標並在之後倒下。四種歷史上的 Samsara 協議測試了何時成功才是最重要的。 Good AI Labs 2026年10月2日 2 分鐘閱讀 在這篇文章中 - [當前的基準測試使用不同的規則](https://www.goodailabs.com/#the-current-benchmark-uses-a-different-rule) [全部文章 ↗](https://www.goodailabs.com/zh-tw/blog/) 機器人可以在球門處放置物體，然後在下一步 移動時將其擊落。如果評估人員在第一次成功時停下來，則穩定的安置 和短暫的接觸都算作透過。 我們之前的 Samsara 實驗使用了四條停止規則。環境報告目標狀態後，第一個 計算成功率。 第二種要求在政策繼續發揮作用的同時堅持下去。 然後第三個停止了控制，等了二十步。第四款在部署期間增加了執行器 干擾，同時保留了持續和 不干涉的要求。 第一次接觸CHECKPOINT V9 · 400 集 96.50 百分之 持續控制CHECKPOINT V10 · 400 集 93.75 百分之 再加上 20 個步驟CHECKPOINT V12 · 400 集 92.25 百分之 有執行器干擾CHECKPOINT V12 · 400 集 90.25 百分之 0%成功率/ 100% 歷史發展成果。每個協議都涵蓋了400個回組合，但檢查點也發生了變化。 每項結果包含每個套件 100 個回合，共 400 個，使用隨機種子 1701 和初始狀態 10–19。首次成功標準下的 96.50% 使用 v9；持續控制下的 93.75% 使用 v10。停止干預和施加擾動的結果為 92.25% 和 90.25%，使用 v12。檢查點發生了變化，因此不能把得分差異完全歸因於評分規則。 ## 當前的基準測試使用不同的規則 [當前的Samsara評估](https://www.goodailabs.com/zh-tw/research/samsara-vla/) 使用了217M引數的架構和2,000個回組合。它的固定評估 部署在首次成功終止環境時停止。 94.85% 的總分和 99.6% 的物件分數使用了該規則。 對之前的四條規則進行控制比較將使策略保持不 變，並重播相同的條件。在此之前，歷史結果 和當前的基準測試回答了有關操縱的不同問題。 ∎[回到日記 ↗](https://www.goodailabs.com/zh-tw/blog/) 繼續閱讀 [實驗室我們為什麼要建立本地模型↗](https://www.goodailabs.com/zh-tw/blog/goodness-first/) [系統為本地型號選擇硬體↗](https://www.goodailabs.com/zh-tw/blog/sovereign-intelligence/)