Benchmark Robo-bench od Vals AI porovnává obecné modely při řízení robotické paže a humanoida ve fyzikální simulaci. Model dostává popis robota, kamery, senzory a možnost posílat motorické příkazy, nikoli hotový plánovač pohybu. Ve zveřejněném hodnocení vede GPT-6.1 Sol s celkovým skóre 28,33 procenta před GPT-6 Astra a Claude Opus 5.5.
Rozdíl mezi oběma typy robotů je výrazný. Nejlepší model zvládl čtyři úlohy s paží, ale žádný z testovaných systémů nevyřešil ani jednu z jedenácti humanoidních úloh. V jejich průměrném bodování zůstaly všechny modely pod dvěma body ze sta. Simulace navíc běží v reálném čase, takže dlouhé uvažování spotřebovává čas dostupný pro samotnou manipulaci a pohyb.
