VA-Bench 发布：大模型空间智能存在执行断层

VA-Bench 的出发点，是让空间智能不再停留在「回答一个已经被定义好的空间问题」。研究团队把它放进「观察→推理→行动→修正」的完整闭环，要求模型主动判断当前信息是否足够，并决定下一步该看哪里。这与传统空间评测的关键差别在于：看什么、答什么，不再由评测者提前替模型决定。

约束是配套的。测试前模型只观看成功示范视频，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，代价是消耗交互步数，因此必须在继续观察与开始行动之间取舍。最终空间判断还必须落到动作上：模型要直接给出具体的移动距离和旋转角度，并决定何时打开或闭合夹爪。

规模上，VA-Bench 包含 14 类机器人操作任务，其中 11 类单臂、3 类双臂，每类 20 个经物理验证的场景，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，分别追问换布局后能否重新判断、以及若干独立操作能否稳定串成更长任务。

VA-Bench 测试了 12 个主要多模态模型。表现最好的几组在目标识别与定位（TL）上达到 100%，操作语义理解（MS）达到 99.6%-100%。如果只看这两项，结论会是模型已经「看懂」了空间。

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%。同一批模型的子任务完成率为 65.9%-68.6%，说明失败往往不是完全不知道怎么做，而是已经完成不少步骤，却没能把整个任务稳定做完。

从这些数字可以推断（此为推断，非来源结论）：当前模型的主要瓶颈不在目标识别与语义理解，而在精细空间执行、在线修正与双臂协同等执行环节。来源提到，模型可能准确找到一个瓶子，却在夹爪尚未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。