VA-Bench: 用视觉演示、主动感知与度量控制评测具身空间智能

摘要

VA-Bench 评测具身空间智能的“观察—推理—行动—修正”闭环。通用 MLLM 仅凭 RGB 演示学习程序性上下文，主动选择相机视角、发出度量笛卡尔指令，并据执行反馈修正；无特权物体位姿、oracle 轨迹或学习动作头，固定且模型无关的控制器只执行模型指定目标。基准含 14 个基础任务族（11 单臂、3 双臂）、7 个留出几何/布局变体及长时程五物体组合赛道。在每基础任务同一 20 个物理验证种子上，对 12 个主要模型条件做三次独立运行，报告终端成功率、9 项轨迹级行为诊断与子任务进度。最佳模型标注运行目标定位 100.0%、空间关系 78.9%，但三次运行宏平均任务成功率仅 53.93±3.17%；主动相机控制优于被动多视角观察，一项匹配比较从 27.86% 升至 57.50%；留出几何迁移可致成功率下降超 30 个百分点。无模型完成严格长时程回合，尽管部分进展显著。