具身智能要让机器人可靠完成复杂物理任务,需要三类互补能力:基于历史的认知推理、精确及时的物理执行,以及通过环境反馈把两者组合起来。现有基准要么把推理和执行放进同一任务评,要么分开评却不测组合,失败时很难说清是决策、执行还是接不上。Mind2Act World 把这三块拆成可对照的诊断视角。
三个视角,一百八十种配置
基准有 30 个仿真操作任务,来自五个真实应用领域。每个任务三个难度、两种场景(Clean 与 Random),共 180 种配置。任务分成三个视角:Mind 测基于过往观察的决策;Act 测精确、及时的执行;Mind2Act 是闭环任务,动作结果会指导下一步决策。对比三个视角,可以看出系统是缺某一能力,还是能力已有却组合失败。这正是现有评测缺的那一层:失败来自推理、执行,还是组合。
能确认的评测结论只有一条
论文提供 diagnosis harness,把三个代表性系统的失败回合归因到 Mind、Act 或组合,并汇总成 profile card。评测覆盖多模态智能体、视觉-语言-动作模型(VLA)和 world-action models(WAM)。摘要里能站住的观察是:单一视角上的能力,并不能带到 Mind2Act 任务。摘要在「即便最强」处截断,因此不能补充分数、失败分布或模型间高下,也不宜把未给出的结论写进去。
我的判断
价值在于把「会想」「会做」和「两者接得上」分开,失败才有诊断意义。对做 VLA、智能体或世界动作模型的人,三个视角对照和 profile card 比一张总分更有用。边界同样清楚:材料只覆盖仿真操作、30 个任务、五个领域,没有真机、长时程或开放场景的证据。摘要不完整,细节只能保守看。它更适合当失败归因框架,而不是已经写完的排行榜。