# CALVIN (/zh/docs/evaluation/benchmark-hub/calvin)



## 简介 [#简介]

CALVIN external benchmark task manifest for long-horizon language-conditioned manipulation.

## 指标 [#指标]

CALVIN external benchmark task manifest for long-horizon language-conditioned manipulation.

### Task YAML [#task-yaml]

`worldfoundry/data/benchmarks/tasks/external/calvin.yaml`

### Primary [#primary]

* `success_rate`

| Metric             | 关注点                              |
| ------------------ | -------------------------------- |
| `success_rate`     | episode / task 是否成功完成的比例或成功率。    |
| `sequence_success` | episode / task 是否成功完成的比例或成功率。    |
| `task_success`     | episode / task 是否成功完成的比例或成功率。    |
| `completion`       | CALVIN 长时链式语言条件子任务连续完成比例（无环境重置）。 |

## 环境准备 [#环境准备]

### 运行环境 [#运行环境]

* **Conda 环境：** `giga-world-policy-py311`。
* **单独配置：** 默认复用 WorldFoundry 统一环境（`needs_new_env: false`），通常不需要额外 benchmark-only conda env。
* CALVIN 官方 rollout 需要数据集 split、policy checkpoint 和 long-horizon evaluator 输出；轻量 preflight 不启动仿真/评测。

### 测评数据 [#测评数据]

* WorldFoundry tracks the upstream CALVIN runtime and normalizes official result files; dataset materialization is handled outside this manifest.
* 待测模型输出目录：设置 `WORLDFOUNDRY_CALVIN_RESULTS_PATH` 指向生成视频或 rollout artifact 根目录。
* `${WORLDFOUNDRY_CACHE_DIR}/repos/mees--calvin`

### Checkpoint 与资产 [#checkpoint-与资产]

* 该 benchmark 以官方结果归一化或仿真 rollout 为主；policy / simulator checkpoint 见 catalog `requires` 与 task YAML。

### 关键环境变量 [#关键环境变量]

* `WORLDFOUNDRY_CALVIN_ROOT`
* `WORLDFOUNDRY_CALVIN_DATASET_ROOT`
* `WORLDFOUNDRY_CALVIN_RESULTS_PATH`

### 环境检查 [#环境检查]

```bash
PYTHONPATH=${WORLDFOUNDRY_CACHE_DIR}/repos/mees--calvin:src ${WORLDFOUNDRY_CONDA_ENVS_ROOT}/worldfoundry-giga-world-policy-py311/bin/python -m worldfoundry.evaluation.tasks.execution.orchestration.runtime_preflight --profile calvin --manifest worldfoundry/data/benchmarks/runtime_profiles/official/calvin.yaml --output-dir tmp/worldfoundry_preflight/calvin --json
```

## 运行评测 [#运行评测]

准备好该 benchmark 页面列出的资产和候选产物后，使用下面的公开运行入口。

### 设置候选产物目录 [#设置候选产物目录]

```bash
export WORLDFOUNDRY_GENERATED_ARTIFACT_DIR=/path/to/generated/artifacts
```

### 导入已有官方结果 [#导入已有官方结果]

```bash
worldfoundry-eval zoo benchmark-run \
  --benchmark-id calvin \
  --mode normalizer \
  --official-results-path /path/to/official/results-or-report \
  --generated-artifact-dir "${WORLDFOUNDRY_GENERATED_ARTIFACT_DIR}" \
  --output-dir tmp/calvin/normalizer \
  --json
```

### 从生成产物重新打分 [#从生成产物重新打分]

```bash
worldfoundry-eval zoo benchmark-run \
  --benchmark-id calvin \
  --mode official-run \
  --generated-artifact-dir "${WORLDFOUNDRY_GENERATED_ARTIFACT_DIR}" \
  --output-dir tmp/calvin/official-run \
  --json
```

### 直接调用仓内 runner [#直接调用仓内-runner]

```bash
worldfoundry-eval zoo benchmark-run --benchmark-id calvin --mode official-validation --official-results-path <official_results.json> --output-dir <out> --json
```

## 依赖与产物 [#依赖与产物]

### Inputs [#inputs]

* Official CALVIN repository checkout
* CALVIN dataset root
* Benchmark-specific policy checkpoint
* Official long-horizon sequence evaluation command

### Environment [#environment]

* `WORLDFOUNDRY_CALVIN_RESULTS_PATH`

### Outputs [#outputs]

* `scorecard.json`
* `raw_results.jsonl`

[← 返回 Benchmark Hub](/zh/docs/evaluation/benchmark-hub)