VA-Bench 评测：多模态模型完整操作任务成功率约五成
一篇新基准研究指出，大模型"看得懂"和"做得对"之间存在明显断层，物理执行才是当前空间智能的真正瓶颈。
VA-Bench（Vision-Action Benchmark，把空间智能放进"观察—推理—行动—修正"闭环的机器人操作评测）测试了 12 个主流多模态模型。它们在目标识别和操作语义理解上接近满分，但完整任务成功率只有约一半。失败集中在精细空间执行、在线修正和双臂协同三个环节。
正文摘录
.jpg)  大模型已经越来越会「看懂」空间：它能判断物体在机械臂哪一侧，也能识别该操作哪个目标、理解任务怎么做。但如果真的把机械臂交给它，问题会变得更具体：该移动多少毫米？当前视角够不够？抓空以后，又该怎么调整？ VA-Bench 测试了 12 个主要多模态模型。表现最好的几组模型，在目标识别与定位（TL）上达到 100% ，操作语义理解（MS）也达到 99.6%—100% ；但完整任务成功率只有约一半：Qwen3.8-max、Opus-5 和 GPT-5.6-sol 分别为 53.93%、52.86% 和 51.55% 。 目标找对了，任务也看懂了，为什么真正动起来以后，还是只有大约一半能成功？对于这些情况来说，模型真的「理解」了空间吗？ 这正是 VA-Bench 想测的问题。