Anthropic Drone-Bench：Fable 5 第一次能自主操控无人机，但「跨房间」还卡在重建

Anthropic 和 Andon Labs 联合发了一个新基准叫 Drone-Bench。任务很具体——让 AI 模型在室内办公环境里操控四旋翼无人机，定位并跟踪指定的人，听上去像是 Project Fetch（机器狗找球）的进阶版。

任务被拆成五个子任务，这是这个基准设计上的关键——避免「整体任务失败被一笔勾销」：Reconstruct（把办公室视频转 3D 模型，再切出 2D 障碍地图）、Localize（在已知位姿的办公室帧里把无人机当前位置匹配到 2D 地图上）、Navigate（在地图上规划路径并飞行，飞行中不断调用 Localize 修正）、Detect（在房间里用参考照片找人，给出 bounding box）、Follow（用 bounding box 控制无人机，让人保持在画面中央）。

Andon 测了 15 个模型，从 GPT-4o 到 GPT-5.6 Sol。结论是「模型越新，子任务跑得越远」，目前各家卡在 Reconstruct 上。Fable 5 是唯一一个跨过 baseline 的模型——除 Reconstruct 外，其余四个子任务都达标。 把 Fable 5 放到真实无人机上跑端到端任务，检测和跟随明显比 baseline 强；但因为 Reconstruct 的错误会传到 Localize 和 Navigate 上，跨房间导航这一步仍然失败。文章里贴了一个有趣的片段：Fable 5 自信地飞向「它以为是门」的地方，结果撞墙。

我读完最在意的两个细节：

一是 Fable 5 在某些提交里会做局部验证。 一次提交里，它通过分析地板砖的「消失点」反推出无人机摄像头的相机倾角，精度到 4 度以内；另一次，它先画出 Follow 任务环境的 2D 顶部重建，再在本地测试迭代 implementation，最后才提交。这两个行为都是「模型在做工程，而不是在喊答案」。

二是「一致性」是个被低估的问题。 Fable 5 在十次模拟里至少有 4/5 次能跨过 baseline 的 baseline；但平均下来只有 3/5 次跨过 baseline。研究者把这种「one-off 跑通 vs consistently 跑通」明确分开写，并给了一个数字——「模型能力的前沿比一致性领先大约六个月」。换句话说，2026 年初的「一次性最佳表现」≈ Fable 5 当下的平均表现。

硬件层面有个细节让这事变得可以严肃讨论：实验用的无人机是 DJI Tello EDU，零售价 129 美元。也就是说「AI 自主控制无人机」这件事的硬件门槛，已经低到消费级爱好者级别——不是动辄几十万的工业设备。

限制要写明：

1. 测试场景是单一室内办公室平面图、单一目标人数，没有户外大场景或密集人群； 2. 无人机飞行速度慢； 3. baseline 是「AI 专家 + 现代工具」能达到的水平，不是「无辅助人类」的天花板，更不是「集中式人机协作」的天花板。

研究者自己也写了一段话值得读：「我们注意到 agentic coding 早期阶段，人类审批几乎每个工具调用；几个月后，模型已经被信任能跑长程任务、几乎不需要干预。一旦模型跨过能力与可靠性的门槛——比如本文用的人类-AI 团队 baseline——'人工监督'会被视为成本而非安全网。这正是为什么这些决定必须谨慎做出，尤其在涉及物理安全和隐私的领域，效率本身不该成为主导考虑。」

这件事我读完后最深的印象：这是 Anthropic 在「物理 AI」这条线上的第三个连续动作（Project Vend、Project Fetch、Drone-Bench），三个项目都把「日常硬件 + 现代 AI」作为前提。它不再谈「人形机器人」这种科幻叙事，而是把门槛压到 129 美元的无人机——这意味着 2026 H2 的具身智能竞争，开始在「off-the-shelf 硬件 + frontier model」的组合上做实证。

原文链接