我们提出 FactoryBench，作为评估时间序列模型和大语言模型（LLM）在工业机器人遥测上机器理解能力的基准。问答对按照 Pearl 因果阶梯的四个层级（状态、干预、反事实、决策）组织，并覆盖五种答案形式：四种结构化格式采用确定性打分，开放式答案则通过 LLM‑as‑judge 的投票协议进行评分。我们设计了可扩展的问答生成框架，核心是结构化问题模板，可自动从多任务、多变量传感数据中生成高质量问答。FactoryWave 是我们收集的密集多任务传感数据集，包含 UR3 协作机器人和 KUKA KR10 工业臂的多通道时间序列。基于 FactoryWave、AURSAD 与 voraus‑AD 的约 15k 条归一化情景，FactoryBench 构建了超过 70k 条问答项目。零样本评估六种前沿 LLM，结果显示在结构化层级的最高得分不到 50%，在决策层级最高也仅 18%，表明当前模型与实际工业机器理解之间仍有巨大差距。
点评：FactoryBench 为工业机器人领域提供了系统化、因果层次分明的评估手段，揭示了现有 LLM 在真实操作环境中的局限，为后续模型改进指明了方向。