EmbodiedCLBench 是首个面向具身仿真环境的持续学习基准，旨在评估自我进化代理的学习能力。核心评价原则是组合泛化：先让代理在基础任务上学习，再检验其能否将已掌握的技能重新组合以解决未见过的高级任务。基于该基准，我们在多种代理框架和学习方法上进行了大规模实验，发现普遍存在局限性和独特行为。实验表明，在零样本设置下高级任务几乎不可解，但从基础任务获得的经验能够带来稳定提升，即使任务复杂度提升，这一提升仍保持。然而，提升幅度并未随学习样本数量线性增长，当前代理无法从额外经验中提取有意义的信息。整体结果凸显持续学习是一个基础但尚未充分探索的能力，Bench 为设计有效的具身自我进化代理提供了资源。代码和数据集已公开。
点评：该基准填补了具身持续学习评估的空白，为后续算法改进提供了明确的实验平台。