标签
本文介绍HumanCLAW评估框架，该框架将动作决策与底层执行解耦，用以评估视觉-语言模型能否通过物理身体行动。在41个场景的1218个试验片段中测试了九种最先进的VLM，最佳模型成功率仅为16.8%，表明当前VLM缺乏具身自我意识。