Meta 开源 HumanCLAW 基准，视觉语言模型交互成功率仅 16.8%
Meta 等推出 HumanCLAW，把行动决策从运动控制中拆出，结果显示 VLM 在真实交互中决策能力仍很弱。
HumanCLAW 是一个新测试基准，专门衡量视觉语言模型（VLM，能同时理解图像和文本的模型）能否通过身体完成真实交互。它将高层动作决策与低层运动控制分离。九款前沿 VLM 中，表现最好的完整交互成功率也只有 16.8%，说明看懂场景不等于知道下一步该做什么。
正文摘录
Meta 全开源 HumanCLAW：基础模型正进入具身智能的决策层   过去，基础模型主要负责理解和描述物理世界。现在，这条边界正在移动：模型开始进入机器人控制栈，参与决定一具身体下一步做什么。 近期，Google DeepMind 在全身控制模型之上加入具身推理层，Anthropic 则把前沿模型接入不同层级的机器人控制接口。两条路线的实现不同，却呈现出相似的系统分工：基础模型负责高层决策，预训练控制器负责平衡、轨迹跟踪和关节执行。 这也带来一个尚未回答的问题。当低层控制器能够可靠执行动作，视觉—语言模型是否真的知道身体下一步该做什么？它不仅需要看见目标，还要根据第一视角持续判断何时探索、如何接近、在哪里停下，以及什么时候完成交互。