VA-Bench: модели справились лишь с половиной задач

Лучший результат показала модель Qwen3.8-Max, которая успешно выполнила в среднем 53.93% задач. Бенчмарк охватывает 14 типов манипуляционных задач, 11 для одной руки и 3 для двух рук, с 280 базовыми сценами в физической симуляции. Qwen3.8-Max продемонстрировала успех в 65.61% одноруких задач, но только в 11.11% двухруких задач.