具身智能新测试：顶级 VLM 缺乏身体感知，成功率仅 16.8%
metaresearch · hf · 2026-07-30
评估视觉语言模型（VLM）能否通过物理身体执行任务非常困难，因为任务的失败往往难以判定究竟是模型决策失误，还是底层运动控制（如失去平衡）出了问题。
本研究提出了 HumanCLAW 评估框架，将动作决策与底层执行完全解耦。在该框架下，VLM 每次发出原子技能指令，由系统转化为具有真实物理后果（包含重力和碰撞）的全身运动，从而剔除执行端干扰，纯粹测量模型的“动作智能”。
基于此，研究团队构建了包含 41 个室内场景、1218 个长周期任务的 HumanCLAW-Bench。对 9 个顶级 VLM 的测试表明，没有任何模型能通过测试，表现最好的模型成功率也仅为 16.8%。
研究发现，目标识别并非瓶颈，当前 VLM 最缺乏的是具身自我意识（embodied self-awareness）：它们无法追踪自己的身体状态，经常搞不清自己所处的位置、是否到达目标或是否撞到了障碍物。
所属事件:Meta推HumanCLAW基准：顶级VLM缺乏身体感知(3 条相关)→
「具身」频道最新
- 伯克利团队用扩散模型直接采样机器人策略权重，Unitree G1 真机走跑起舞 — berkeley_ai · 2026-10-16
- HKU 等提出 OneWM：统一因果训练让世界模型与动作学习互相增益 — IAAI233 · 2026-10-16
- 特斯拉悬停跑车被指非飞行汽车：气罐撑不了多久 — tinyfool · 2026-10-16
- Scobleizer 转述：Optimus 实机比空中翻转的新 Roadster 更震撼 — Scobleizer · 2026-10-16
- 独立开发者的 AI PASSPORT 固件几天下载破 1200 次 — ezshine · 2026-10-16
- 1X 开设加州工厂，批量量产 NEO 人形机器人 — emmanuelvivier · 2026-10-16