机器人研究团队花 $5K 实测六大模型跑 LIBERO-10，最好成绩仅 44%

一个机器人研究团队自费约 5000 美元，在 LIBERO-10 上以零样本方式评测 GPT（Astra/Sol/Luna）、Claude Opus 和 Gemini 系列共 6 个前沿模型，最佳成功率仅 44%。团队共测试 3 个推理档位、18 种配置和 1800 个 episode，并公开全部基线；更高推理通常有帮助，但 API 成本差异显著。