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。
「具身」频道最新
- Waymo无人车新UI获赞：10倍提升，体验大幅改进 — brianwilt · 2026-07-30
- 具身智能基础设施公司Ropedia完成3000万美元融资 — liuziwei7 · 2026-07-30
- 开源自主无人机 Langostino：结合 ROS2 与强化学习 — tom_doerr · 2026-07-30
- 单次人类演示即学会用剪刀，新框架实现机器人灵巧工具操作 — HaozhiQ · 2026-07-30
- TurboVLA：消费级显卡实现 32Hz 机器人实时控制 — H-EmbodVis · 2026-07-30
- 揭秘机器人演示常见套路：夹爪预设物体伪装抓取 — chris_j_paxton · 2026-07-30