看懂不等于做对：VA-Bench测出大模型空间智能的执行断层
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% 。