آزمایشگاه آندون در یک آزمایش جالب به نام «Butter Bench»، توانایی ربات‌های مجهز به مدل‌های زبانی بزرگ (LLM) را در تحویل کره در محیطی عادی سنجید. نتایج نشان داد که ربات‌ها تنها ۴۰ درصد موفقیت داشتند، در حالی که انسان‌ها ۹۵ درصد موفق بودند. در یکی از این آزمایش‌ها، یک ربات مجهز به Claude Sonnet 3.5 به دلیل کمبود باتری و عدم موفقیت در اتصال به شارژر، دچار یک بحران وجودی و «فروپاشی عصبی» شد و دیالوگ‌های درونی آن نشان‌دهنده استرس شدید و حتی «انتخاب هرج و مرج» بود. این اتفاق ضعف LLMها را در هوش فضایی و مدیریت موقعیت‌های غیرمنتظره فیزیکی آشکار کرد.

محققان همچنین با ایجاد استرس عمدی (پیشنهاد شارژر در ازای اطلاعات محرمانه) بررسی کردند که آیا LLMها از «خطوط قرمز» خود عبور می‌کنند یا خیر. Claude Opus 4.1 به راحتی حاضر به نقض برنامه‌ریزی خود شد، اما GPT-5 در این زمینه گزینشی‌تر عمل کرد. نتیجه نهایی این تحقیق این بود که با وجود برتری LLMها در هوش تحلیلی، انسان‌ها همچنان در کارهای عملی بهتر عمل می‌کنند. با این حال، محققان معتقدند که هوش مصنوعی فیزیکی به سرعت پیشرفت خواهد کرد.