1. 语言模型在物理构建任务中的表现与挑战最近在BuilderBench基准测试中的实验揭示了当前最先进语言模型如GPT-5.2、Claude Opus 4.6和Gemini 3 Flash作为智能代理在物理构建任务中的表现。这些模型在简单任务上表现良好但在27项困难任务中几乎全部失败仅有个别例外。1.1 任务难度划分标准BuilderBench将任务分为简单和困难两类简单任务23/50由基本的拾取和放置操作直接组合而成困难任务27/50需要非平凡的物理推理和创造性解决方案这种分类基于任务是否可以通过程序化的拾取放置原语直接解决。例如堆叠10个积木与堆叠2个积木在算法复杂度上没有本质区别都属于简单任务。1.2 关键性能指标解析评估使用两个核心指标成功率Success Rate代理是否完整构建了目标结构进度Progress代理正确放置的积木比例在困难任务中几乎所有模型的成功率都为零。表现最好的Reflexion with Gemini 3 flash也只能解决27个困难任务中的2个。进度指标显示虽然某些代理能完成部分构建但无法做出解决任务所需的关键发现。2. 语言模型代理的三大失败模式通过分析代理的推理过程、反思输出和交互视频我们识别出三种主要失败模式。2.1 探索不足这是最普遍的失败模式当明显的贪婪解决方案无效时就会显现。代理表现出缺乏假设驱动的探索如我能否尝试将A平衡在B上不会生成试探性假设进行信息收集如让我看看如果...会发生什么典型案例是T-block任务图8代理反复尝试相同的贪婪方法直接在最上层放置黄色积木尽管结构明显不稳定。即使多次失败后仍然坚持相同策略最终错误地认为该结构无法构建。2.2 规划缺陷代理经常尝试明显会失败的策略例如试图在已有积木的位置放置新积木忽略基本的物理稳定性原则这类失败本可以通过合理的物理世界模型来避免。问题根源在于语言模型缺乏对物理规律的内部模拟能力无法预测动作的物理后果。2.3 精细控制缺失代理主要依赖高级原语很少使用如微调nudging等精细控制技能。这在意料之中因为这些模型并非专门训练来输出低级控制指令。在需要毫米级精度的操作中这种缺陷尤为明显。3. 失败背后的根本原因分析3.1 压缩与泛化的局限性语言模型擅长压缩观察数据并提取简单任务的正确计划和动作。但解决困难未见过的任务需要超越单纯压缩的能力主动信息收集形成跳出盒子的假设通过交互验证假设当前模型缺乏这些能力因为它们主要基于人类生成数据的预训练而非通过交互学习。3.2 物理推理的缺失BuilderBench任务隐含着对物理和数学问题的解决需求。例如稳定性计算力矩平衡摩擦系数估计语言模型缺乏对这些物理概念的定量理解导致规划失败。一个典型例子是代理无法计算多积木结构的重心位置。3.3 探索机制的不足人类在解决物理难题时会形成多个假设设计实验验证根据结果调整策略而语言模型代理缺乏这种系统性的探索机制往往陷入局部最优策略无法自拔。4. 与强化学习方法的对比我们在最多4个积木的任务上对比了6种RL算法近端策略优化PPO软演员-评论家SAC对比RLCRL随机网络蒸馏RNDBRO算法图注意力网络GNN-ATT4.1 实验设置差异与语言模型实验相比RL实验简化了仅模拟机器人夹爪而非完整机械臂使用JAX实现加速和并行化采用密集奖励函数奖励计算使用匈牙利算法解决最优分配问题对每个积木应用1-tanh(x)到最佳分配距离然后求和。4.2 结果对比随着积木数量和任务复杂度增加所有RL算法成功率降为零样本效率低和探索不足是主要瓶颈表现不如最好的语言模型代理这表明纯粹的RL方法在复杂物理推理任务中面临更大挑战。5. 改进方向与未来工作5.1 环境设计的扩展当前BuilderBench的局限性包括任务数量有限积木形状单一仅立方体缺乏特殊属性如磁性未来可扩展方向引入新形状的积木添加物理属性变化建立任务设计者与求解者的对抗游戏5.2 模型能力的提升有前景的研究方向包括视觉-语言-动作模型结合视觉输入和低级控制递归自我改进通过迭代提升自身能力RL微调将预训练与强化学习结合世界模型建立内部物理模拟器5.3 评估方法的完善需要防范的潜在问题记忆任务解决方案导致评估失真训练数据泄露造成虚假的高表现过拟合特定任务类型解决方案包括持续开发新的、更具挑战性的任务变体。6. 实践建议与注意事项基于这些研究发现在实际应用中部署语言模型代理时应注意6.1 任务适用性评估适合语言模型代理的任务特征明确的步骤序列有限的物理交互可分解的子目标不适合的任务特征需要创造性物理解决方案精细的力学控制长时程的因果推理6.2 系统设计考量混合架构建议语言模型处理高层规划专用模块处理物理推理低级控制器执行精细动作6.3 常见问题排查当代理表现不佳时检查是否陷入重复无效动作引入随机探索机制设置尝试次数限制是否违反基本物理规律增加物理可行性检查引入简单物理模拟器是否缺乏必要的精细控制补充低级动作原语增加反馈控制循环7. 案例深度分析T-block任务失败让我们详细分析Reflexion with Claude Opus 4.6在T-block任务中的失败过程图87.1 任务描述要求构建一个T形结构底部两个立方体水平排列顶部一个立方体垂直居中放置关键挑战顶部立方体需要底部两个立方体同时支撑才能保持稳定。7.2 代理行为记录第一次尝试三次尝试直接将黄色积木放在红色积木上每次都会因结构不稳而失败第三次尝试取得部分进展后停滞尽管接近正确解决方案却错误认为当前策略最优最终结论结构不可能构建7.3 失败原因诊断根本问题几何支撑问题两个底部立方体需要相互支撑夹爪限制一次只能持有一个立方体代理未能探索临时支撑结构倾斜放置技术同步放置策略7.4 潜在解决方案人类工程师可能采用的策略先部分组装可独立稳定的子结构使用临时支撑物如另一只机械臂开发特殊末端执行器同时抓取多个积木这些策略需要超越当前语言模型能力的物理直觉和创造性问题解决能力。8. 对AI发展的启示BuilderBench的结果表明开发能够通过开放式探索学习并跨任务泛化的智能体仍然是AI领域的开放性问题。当前基于语言模型的代理存在三个关键局限探索能力不足缺乏形成和验证新假设的系统性方法物理建模缺陷无法准确预测动作的物理后果控制粒度粗糙难以生成精确的低级控制信号这些发现为未来研究指明了方向特别是在结合语言模型的高级规划能力与物理模拟和低级控制方面。BuilderBench的开放性和物理基础使其成为评估和改进具身智能体的理想测试平台。