Loan Bernat

MAGMA-Bench 把长程具身智能体的评测放到动态多机器人环境里，同时施加执行失败、任务中断和任务更新等在线扰动，并用技能级接口把任务层推理与感知和底层控制分开。此前基准多只考察动态执行或多机器人协同中的一面，很少考察两者交叉。评测中即使最强的模型也在相当一部分无扰动回合中失败，扰动下成功率进一步下降；监督式适配能明显提升一个小模型，但在更长任务和多机器人任务上仍明显偏低。

MAGMA-Bench 把长程具身智能体的评测放到动态多机器人环境里，同时施加执行失败、任务中断和任务更新等在线扰动，并用技能级接口把任务层推理与感知和底层控制分开。此前基准多只考察动态执行或多机器人协同中的一面，很少考察两者交叉。评测中即使最强的模型也在相当一部分无扰动回合中失败，扰动下成功率进一步下降；监督式适配能明显提升一个小模型，但在更长任务和多机器人任务上仍明显偏低。