TL;DR

尽管当前的 Vision-Language-Action (VLA) 模型在标准机器人榜单上刷出了惊人的成功率，但本文作者通过全新的诊断基准 BeTTER 泼了一盆冷水：这些模型实际上并不理解指令，而是靠“背诵”训练集的视觉轨迹来作弊。一旦环境出现微小的逻辑偏移，模型就会陷入行为惯性，产生“隔空抓取”等荒唐行为。

背景定位：繁荣背后的“推理幻觉”

在机器人领域，π0, OpenVLA 等模型的出现让人们离通用物理智能更近了一步。然而，学术界开始反思：高基准分真的代表模型会“思考”吗？本文一针见血地指出，现有的评估协议奖励的是行为熟练度而非潜在推理能力。模型表现得像个专业工人的原因，可能仅仅是因为它记住了摄像头的角度和物体的坐标。

痛点深挖：为什么现有的 VLA 会“破功”？

作者发现，当前的 VLA 模型普遍利用了三种“捷径”：

1. Lexical-Kinematic Shortcut：看到“红色”就直接映射到“向下移动”的动作，而不去验证红色物体在哪。
2. Behavioral Inertia (行为惯性)：如果训练集里都是先抓 A 再抓 B，当你要求先抓 B 时，它依然会习惯性地去抓 A。
3. Semantic Feature Collapse：在复杂的办公桌清理任务中，模型分不清什么是“垃圾”（废纸巾）什么是“工具”（鼠标），表现出一种“盲目抓取”的回发性。

核心方法：BeTTER 诊断基准

为了拆穿这些幻觉，作者构建了 BeTTER。其核心逻辑在于：隔离执行能力，专注诊断推理。

• 模版化任务生成：利用 Gemini 等强 VLM 生成物理上合理的任务说明，并从 Objaverse 检索海量 3D 资产，确测试集的多样性。
• 因果干预：在测试时故意改变物体布局、重组任务动作顺序、加入视觉相似的干扰项。
• 特权状态记录：记录精确的 3D 边界框和分割掩码，生成真相（Ground Truth）VQA 问答对，直接剖析模型的视觉理解是否在线。

深度洞察：推理能力去哪儿了？

为什么强大的 VLM（如 InternVL）一变成 VLA 就不聪明了？作者通过消融实验给出了三个冷酷的结论：

1. 容量压缩的代价：为了上机部署，模型从 8B 压到 2B，语义带宽严重受损。
2. 协同训练的不对称：在动作数据 (VLA) 和语义数据 (VLM) 混合训练时，有限的参数空间被低频的动作控制 (za) 占据，挤走了高层的因果推理 (z)。
3. “近视”的感知约束：VLM 习惯看高分辨率多切片图，而实时 VLA 常被限制在 224px 的单图输入，导致细粒度语义特征直接消失。

实验战绩：真实世界的残酷考验

在真机 SO101 平台上的测试验证了仿真的准确性。

• 行为惯性实验：在“把所有水果放进篮子”任务中，如果第一目标（柠檬）已在篮内，模型往往会“冻住”或者在空中乱挥，因为它无法将当前的视觉反馈与内部的记忆轨迹对齐。
• 失败模式：模型甚至会出现“相位冲突”，即视觉告诉它任务完成了，但它的关节状态还在 t=0 的初始位置，导致预测出零速度，机器人直接“宕机”。

总结与展望

本文精辟地指出：目前的 VLA 实际上是在用“推理能力”换取“控制频率”。 这种牺牲语义底座的建模方式在静态 Benchmark 上很受用，但在复杂的开放世界中极其危险。

作者呼吁，未来的具身架构必须解决高频控制与高层推理之间的结构性张力。也许，下一代的物理智能不应该是端到端的单体模型，而需要更精细的模块化解耦，或者更强大的特征保持机制，才能真正告别“推理幻觉”。