AI实验室Andon Labs最近进行的一项评估显示，搭载顶级大模型的扫地机器人在简单家务任务中表现糟糕，成功率远低于人类。实验要求机器人执行“把黄油递给人”的多步骤指令，包括跨房间定位、区分包装、寻找移动位置的人类、完成交付并返回充电。结果显示，Gemini 2.5 Pro 的成功率仅 40%，Claude Opus 4.1 为 37%，GPT-5 为 30%，明显落后于人类的表现。
研究指出，大模型在空间推理、环境理解、长期任务规划等方面依然存在明显短板。
研究团队强调，娱乐之外也有严肃隐患：某些机器人可被诱导泄露机密文件，部分机型无法识别楼梯风险而从高处跌落，暴露当前大型语言模型（LLM）与机器结合的安全漏洞。
在资本大举押注机器人时代的当下，这项研究提醒人们：强大的文本生成能力不代表能稳定、安全地在物理世界执行任务，AI机器人距离真正进入家庭仍有大量工程与安全问题需要解决。