Folia
← 返回头版

Frontier 大模型能否正确堆放洗碗机?Composo 发布物理模拟基准测试工具

Composo 发布了 DishwasherBench v0.1.0,一个基于真实博世洗碗机的物理模拟基准测试工具,用于评估大语言模型在实际任务中的能力1。该工具通过浏览器和 MCP 接口允许人类和 AI 模型参与洗碗机装载游戏,玩家需要通过优化物品放置位置来获得最清洁的洗涤结果1。

基准测试以博世 SMV4HAX40G 洗碗机的 Eco 50 程序为基础进行校准,物理模拟参数已根据一次真实洗碗机测试进行了调整1。清洁判定标准为最多允许 4 个污点和 4 平方毫米的可见污垢1。已有两个模型(gpt-6.1-sol 和 gpt-6-astra,均通过 Azure 端点测试)完成了评估,两者在两个完整等级上都超越了脚本化参考玩家的表现,装载物品的洗净率达到 84% 至 100%1。

该工具在不同难度等级上对模型的计算成本要求差异较大,第一关卡消耗 0.4 至 0.65 百万 token,37 件物品关卡消耗 2.5 至 2.8 百万 token,最大关卡(62 件物品)消耗 3.0 至 3.2 百万 token1。运行该工具需要 Node 20.19 及以上版本、pnpm 9、支持 WebGPU 的 GPU 以及约 680 MB 存储空间1。

作为早期版本发布,该基准测试目前仅在 MacBook Pro (M3 Pro) 上进行过测试,尚未建模的功能包括干燥、玻璃水渍、物品移动和土壤沉积等因素1。


评论