原文標題：ToyBlocks: A controlled world for robot learning and evaluation
Ai2於11月6日公開ToyBlocks，以機械手臂與桌面積木建立可控制的機器人學習環境。這是FoundationWorlds構想的第一個框架，讓研究者能調整訓練資料、模型與任務條件，再追查失敗來自高層規劃或低層動作。積木表面的圖案與字母可組成搜尋、翻轉、排序與堆疊任務，系統也能改變物體大小、桌面高度及其他物理條件，測試模型在未見情境下的泛化能力。
ToyBlocks利用強化學習、動作規劃與任務規劃，自動產生技能與示範，減少人工遙控蒐集資料的需求。首批資料包含85,336筆長步驟示範、近1,600小時機器人執行資料及1.44億影格，並開放模擬資產、資料產生器、模型、訓練與評估程式。在實體測試中，Molmo 2與ManiFlow組成的階層系統成功完成30次中的15次任務，模擬結果則為200次中的111次；Ai2指出仍需更多試驗建立統計信心。完整整合的強化學習訓練功能與更大資料集屬後續計畫，目前不應將這個受控框架視為通用機器人已能可靠工作的證明。
發生了什麼事
Ai2公開ToyBlocks模擬框架與首批資料，讓研究者以機械手臂操作積木，研究資料組成、模型規劃與動作執行如何影響任務成功率。
為什麼重要
受控環境能重複改變單一條件，協助區分感知、推理與動作失敗。自動產生示範也讓研究者更容易比較不同訓練資料，而不只觀看成功展示。
影響哪些人
主要提供機器人學習、視覺語言動作模型與世界模型研究者使用。工具可支援模擬評估與實體移轉研究，但不代表任意硬體皆能直接達到相同效果。
已確認與未確認
已釋出框架、資料與部分訓練模型，實體試驗樣本仍有限。完整整合的強化學習訓練功能與後續資料擴充尚未包含在目前套件中。
