揭示具身推理在视觉语言动作模型中的幻象
机器人学
2026-04-21 v1
摘要
近期视觉语言动作(VLA)模型在标准机器人基准测试中取得惊人的成功率，推动了对通用物理智能的乐观预期。然而，近期证据表明，标准基准测试成功与真正具身推理之间存在系统性偏离，质疑这些高分是否反映出真正的认知能力。为弥合这一差距，我们引入BeTTER——一个诊断性基准，用于测试真正的具身推理在机器人策略中的表现。BeTTER通过强制执行运动学隔离，应用有针对性的因果干预(如空间布局偏移、时间外推)，以显式解耦高级推理失败与低级执行限制。通过系统评估，我们揭示了最先进的VLAs在动态场景中会 catastrophic fail，表现出严重的词汇-运动学捷径、行为惰性和语义特征坍塌。关键在于，我们的机制分析将这些症状追溯到根本性的架构瓶颈——如容量压缩和盲目下采样——这些瓶颈系统性地降低了模型基础语义表示的质量。我们演示了高度静态的评估协议有效地掩盖了这种降解，通过允许优化过度拟合感知运动先例。基于真实世界机器人验证，我们的发现确认，这种表征性崩溃并非仿真制造 artifact，凸显了未来VLA范式必须解决高频率控制与高级推理之间结构性张力的关键需求。
引用
@article{arxiv.2604.18000,
title = {Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models},
author = {Haiweng Xu and Sipeng Zheng and Hao Luo and Wanpeng Zhang and Ziheng Xi and Zongqing Lu},
journal= {arXiv preprint arXiv:2604.18000},
year = {2026}
}