李曼玲团队推出的 EFE（Embodied First Exam，具身第一场考试），是专门给 coding agent 做的具身智能评测基准，用来测试大模型驱动的 coding agent 能不能直接写代码去控制真实物理机器人，这套评测包含 1156 项任务、覆盖 47 款不同机器人，实验结果显示就算是主流 coding agent，放到物理约束里成功率也会大幅下滑，很多在数字环境里写代码很强的 Agent，一碰到物理世界的误差、碰撞、空间限制就失效，填补了之前只有代码评测、缺少物理机器人场景评测的空白，也直接点出现在 coding agent 从纯数字走向实体机器人控制最大的短板。过去大家测 coding agent，基本都是做软件、刷题、写脚本这类数字任务，很少考虑物理世界里的各种不确定性，而机器人控制有重量、摩擦力、位置偏差、碰撞限制，不是代码语法正确就一定能跑通，EFE 这套基准就是把这些物理约束全部放进考题里，帮研究人员看清 coding agent 到底卡在哪个环节。
EFE 具身考试评测框架基础信息
| 项目 | 详情 |
|---|---|
| 项目名称 | Embodied First Exam（EFE，具身第一场考试） |
| 发起团队 | 李曼玲、Ruohan Zhang、石冠亚团队，合作者包含李飞飞、Dawn Song、Pieter Abbeel 等 |
| 任务规模 | 35 个任务套件，合计 1156 项任务 |
| 覆盖机器人 | 47 款机器人平台 |
| 任务类型 | 抓取放置、空间谜题、灵巧操作、导航、多机协同等 |
| 论文地址 | arxiv.org/abs/2611.12177 |
为什么要给 coding agent 做这场具身考试
- 现有评测偏向数字场景：SWE-bench、HumanEval 这类经典基准，只考代码逻辑，完全不涉及物理实体，没法反映 Agent 控制机器人的真实水平。
- 代码正确≠机器人能成功执行：coding agent 输出的代码语法没问题，但忽略物理误差、空间遮挡、运动限位，机器人执行后直接失败。
- 定位失败根因：EFE 可以拆分失败阶段，区分是理解任务错、代码生成错、还是物理执行层面出错，方便后续针对性优化 coding agent。
- 统一对比标尺：不同模型、不同 Agent 方案，都可以在同一套机器人任务上横向对比，避免各家自己搭测试集、结果没法对比。
这套具身考试的评测使用步骤
- 选定被测 coding agent：接入 Agent 的代码生成、工具调用接口，Agent 只能通过编写控制代码的方式操作机器人，不能直接下发底层动作指令。
- 加载 EFE 任务套件：选择对应机器人和任务，任务会给出自然语言目标、机器人可用 API、环境约束。
- Agent 自主完成任务：Agent 理解目标、写控制代码、调用仿真 / 真机环境执行，失败后可以自主重试、修改代码。
- 多维度记录指标：统计任务成功率、代码重试次数、失败分类（语义理解 / 代码错误 / 物理约束）、完成耗时。
- 横向对比与复盘：对比不同 coding agent 的得分，统计高频失败类型，用来优化 Agent 的提示词、世界模型、物理感知能力。
最终结论
EFE 这场 coding agent 的具身考试，不是单纯一套新的机器人测试集，而是一套面向 coding agent 原生的评测范式，它证明了数字环境里很强的 coding agent，在物理机器人场景还有很大差距；后续想要让 coding agent 稳定操控实体机器人，不能只提升代码生成能力，还要加入物理常识、空间推理、误差容错的能力，EFE 也会成为后续具身 coding agent 研究的通用测试标尺。
【相关 FAQ】
问题 1：coding agent 的具身考试 EFE 和普通代码评测基准有什么核心差别？
回答 1：coding agent 的具身考试 EFE 加入物理世界约束，任务目标是控制机器人完成实体操作，普通代码评测只在数字环境验证代码逻辑，不考虑机器人运动、碰撞、空间遮挡这类物理限制。
问题 2：参与 coding agent 的具身考试评测时，Agent 能不能直接控制机器人底层动作？
回答 2：不能，coding agent 的具身考试规则要求 Agent 只能通过编写控制代码调用机器人 API，必须走代码生成链路，以此还原真实 coding agent 控制机器人的模式。
问题 3：在 coding agent 的具身考试里，主流 coding agent 的失败大多集中在哪些地方？
回答 3：coding agent 的具身考试实验发现，很多失败不是代码语法报错，而是缺少物理常识，忽略物体位置偏差、遮挡、运动限位，写出理论可行但物理世界无法落地的代码。
【参考资料】
[2026-11-11]（华人科学家李曼玲团队新作：coding agent 的第一场具身考试）36 氪
[2026-11-11]（华人科学家李曼玲团队新作:coding agent 的第一场具身考试）网易订阅（学术头条）
[2026-11-11]（Embodied First Exam）arxiv 论文
[2026-11-11]（AI 控制机器人的残酷真相：最强 Agent 成功率仅 33%）AI 地带
【免责声明】
本文针对李曼玲团队 coding agent 具身考试 EFE 项目做信息整理解读，评测结果、任务指标以原论文和官方项目页为准；不同 coding agent、仿真环境、机器人硬件会影响最终评测得分，不代表所有同类 Agent 的通用上限。
本文来自作者[星枢解码]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/rgzn/202611/715.html
评论列表（4条）
我是环球科技潮的签约作者“星枢解码”！
希望本篇文章《李曼玲团队 EFE 具身考试，评测 coding agent 物理世界机器人控制能力》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：李曼玲团队推出的 EFE（Embodied First Exam，具身第一场考试），是专门给 coding agent 做的具身智能评测基准，用来测试大模型驱动的 coding agent 能不能直接写代码去控制真实物理机器人，这套评测包含 1156 项任务、覆盖 47 款不同机器人，实验结果显示就算是主流 coding agent，放到物理约束里成功率也会大幅下滑，很多在数字环境里写代码很强的 Agent，一碰到物理世界的误差、碰撞、空间限制就失效，填补了之前只有代码评测、缺少物理机器人场景评测的空白，也直接点出现在 coding agent 从纯数字走向实体机器人控制最大的短板。过去大家测 coding agent，基本都是做软件、刷题、写脚本这类数字任务，很少考虑物理世界里的各种不确定性，而机器人控制有重量、摩擦力、位置偏差、碰撞限制，不是代码语法正确就一定能跑通，EFE 这套基准就是把这些物理约束全部放进考题里，帮研究人员看清 coding agent 到底卡在哪个环节。