基础技能如何影响基于 VLM 的具身智能体：一种原生视角

针对现有视觉语言模型（VLM）具身智能体基准依赖非原生高层指令且缺乏细粒度评估的问题，本文提出 NativeEmbodied 基准。该基准采用统一的低层原生动作空间，包含复杂场景下的高层任务及四种针对基础具身技能的底层任务。实验表明，当前最先进 VLM 在基础技能上存在明显缺陷，严重制约了高层任务表现。本研究为未来具身智能体研究提供了关键挑战分析与指导。