看懂不等于做对：VA-Bench测出大模型空间智能的执行断层

来源：市场资讯

（来源：机器之心）

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。

• 论文标题： VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control

• 论文链接：https://arxiv.org/pdf/2609.19554

• 项目主页：https://github.com/zhangzhongbo2213/VABench

• Huggingface paper: https://huggingface.co/papers/2609.19554

空间智能，不能只停在「答对」

很多空间推理 Benchmark 已经能评估深度、距离、三维关系和多视角理解，但通常由评测者提前决定「模型看什么、回答什么」。真正进入机器人环境后，模型还要自己判断当前信息是否足够；如果不够，就决定缺什么、该从哪里继续观察。新的视觉证据补齐后，再把空间判断落到具体动作，并根据执行结果决定是否修正。

因此，真正面向物理行动的空间智能，不应该止步于回答一个已经定义好的空间问题。围绕这一点，我们提出了 VA-Bench（Vision-Action Benchmark），把空间智能放进一个完整的闭环：

Observe → Reason → Act → Revise，即「观察 → 推理 → 行动 → 修正」。

图 1：VA-Bench 与传统空间评测的对比。

VA-Bench 要求模型真正进入机器人与环境的交互过程。测试前，模型观看成功示范视频，理解任务怎么做，但不会获得物体坐标、专家轨迹或精确动作参数；测试中，它可以主动切换视角，但会消耗交互步数，必须在继续观察和开始行动之间做出取舍。

最后，空间判断还必须真正落到动作上。模型需要直接给出具体的移动距离和旋转角度，并决定什么时候打开或闭合夹爪。

图 2：主动观察与执行过程示例。

14 类任务，280 个基础场景

VA-Bench 包含 14 类机器人操作任务，其中有 11 类单臂任务和 3 类双臂任务，每类 20 个经过物理验证的场景，共 280 个基础场景。

此外还设置了几何迁移和长时序组合测试，进一步追问：换一个空间布局，模型还能重新判断怎么做吗？会做若干独立操作，又是否意味着能够把它们稳定地串成更长的任务？

表 1：VA-Bench 基础任务设置。

目标找对了，为什么还是做不对

从整体结果看，表现最好的几组模型完整任务成功率只有约一半，但子任务完成率达到 65.9%—68.6%。这说明很多失败并不是模型完全不知道怎么做，而是已经完成了其中不少步骤，却没能把整个任务稳定做完。

进一步拆解模型的执行过程，当前的困难主要集中在三个环节：从目标识别到精细空间执行、从错误发现到在线修正，以及从单臂操作到双臂协同。

图 3：VA-Bench 的主要实验结果。

找到目标，不等于能精确移动到目标。

前三的模型在目标识别与定位（TL）上全部达到 100%，在操作语义理解（MS）上也达到 99.6%—100%。但到了更精细的空间执行阶段，例如接触前的细粒度分析（FG）、与目标之间的空间关系判断（SR）等，成绩开始明显下降。

一个模型完全可能准确找到一个瓶子，却在夹爪还没有下降到合适高度时提前闭合；也可能理解「需要把物体放进容器」，却无法稳定判断物体与容器之间精确的高度、深度和接触位置。

会发现错误，也不等于能及时改回来。

Qwen3.8-max、GPT-5.6-sol 和 Opus-5 在错误发现（ED）上的得分分别达到 73.6%、70.8%和 69.9%，但到了真正的在线修正（OC），三者分别只有 46.7%、27.3%和 32.4%。模型已经越来越能发现「哪里不对」，但还不擅长把新的观察迅速转化成有效修正。

一只机械臂已经不容易，两只更难。

当任务从单臂进一步进入双臂协同时，这种困难又被进一步放大。Qwen3.8-max 在单臂任务上的平均成功率达到 65.61%，但双臂任务只有 11.11%；Opus-5 从 64.09%降至 11.67%。

表 2：单臂、双臂及整体任务成功率。

这类任务的难点并不只是「多控制一只机械臂」。模型还需要判断哪只机械臂负责哪个物体、两只机械臂之间应该保持怎样的相对位置，以及不同动作应该按什么顺序衔接。任何一个环节的空间判断出现偏差，都可能让后续动作无法继续。

多给几个视角，就能解决问题吗

如果直接把更多视角一次性提供给模型，是不是就不需要主动观察了？为此，VA-Bench 设置了一组对照实验：一种情况下，模型每次只看到当前视角，但可以根据当前任务需要主动切换观察方向；另一种情况下，模型直接获得 5 个固定视角，但不能继续自主选择新的观察位置。

表 3：主动观察与固定五个视角的结果对比。

结果非常一致：4 个模型在失去主动观察能力以后，成功率全部下降。

主动观察真正重要的地方，可能并不是让模型单纯地「多看」，而是让它知道自己还缺什么，以及下一眼应该去哪里找答案。

换个布局、拉长任务，能力还剩多少

几何迁移测试保持任务目标和操作流程不变，只改变物体形状、容器或空间布局。Qwen3.8-max 的成功率从 77.86%降至 67.86%，GPT-5.6-sol 则从 80.00%降至 47.86%。

模型知道一种操作怎么完成，并不意味着进入新的空间布局后，还能重新建立正确的空间关系。

表 4：几何迁移与长时序组合测试结果。

类似的问题在更长的执行过程中被进一步放大。VA-Bench 设置了一个五个物体的长时序组合任务，Qwen3.8-max 最终完成了 61/100 次物体放置，GPT-5.6-sol 完成了 53/100 次。

有的模型能够完成不少中间步骤，但整个任务却没有任何模型完整完成过一次。会做几个独立操作，不代表模型就能在长任务中持续稳定执行。

从「看懂」走向真正的空间智能

VA-Bench 看到的不是简单的「会」或「不会」，而是一系列更具体的能力边界：模型可以找到目标，却未必能精确移动到目标；可以发现错误，却未必能及时修正；可以获得更多画面，却未必知道当前最需要看哪里；可以完成几个独立步骤，却未必能稳定完成更长的任务。

今天的多模态大模型已经越来越会「看懂」物理世界，但从理解到可靠行动之间，仍然存在明显距离。

VA-Bench 想做的，就是把这段距离测出来。