DishwasherBench – Can Frontier Models Stack a Dishwasher?

Composo 开源 DishwasherBench 0.1.0，用真实洗碗机的物理仿真测试大语言模型装载餐具的能力，支持人类在浏览器中游玩及模型通过 MCP 操作。两个模型部署在三个关卡完成了六次正式仿真，两者在完整关卡均超过谨慎脚本玩家，但这些记录不足以排名，且没有人类基线。仿真仅用一次真实清洗校准，目前评分能判断装载和杯、锅等容器的朝向，尚不能可靠判断盘子与餐具的堆叠是否影响洗净。