RoboSPA：VLA 模型能超越简单场景吗
来自 arXiv · 期号 2026-09-05
摘要
现有 VLA 模型评测大多在固定场景下看任务完成率，无法诊断模型在空间和流程复杂度增加时的推理能力。 RoboSPA 从两个维度切入：细粒度空间推理与长程程序规划。覆盖 10 类任务、56 个基础任务，每个任务分 5 个难度等级，共 280 个变体，收集了 527K 条轨迹。 评测发现，当前主流 VLA 模型在复杂空间关系、精确底层执行和记忆密集型规划上仍然吃力。RoboSPA 是一个有挑战性的诊断基准。
深读
导读 现有 VLA（视觉-语言-动作）模型评测大多在固定场景下看任务完成率，无法诊断模型在空间和流程复杂度增加时的推理能力。RoboSPA 是一个专门针对这一缺口设计的大规模操作数据集与诊断基准，覆盖 280 个任务变体与 527K 条轨迹。读完能了解当前主流 VLA 模型在细粒度空间推理与长程程序规划上的具体短板。 关键信息 - RoboSPA 从两个核心维度切入：细粒度空间推理与长程程序规划。 - 覆盖 10 类任务、56 个基础任务，每个任务按 5 个难度等级实例化，共 280 个变体。 - 数据集收集了 527K 条轨迹，涉及多种具身形态与多样场景。 - 除二值成功率外，RoboSPA 引入了诊断性指标用于更细致的评估。 - 对代表性 VLA 模型的实验表明，当前系统在复杂空间关系、精确底层执行和记忆密集型规划上仍然吃力。 逐节讲解 现有评测的局限 现有 VLA 模型数据集和基准主要在预设设定下评估任务完成率，对模型在空间和流程复杂度增加时的推理能力提供的洞察有限。RoboSPA 正是为了填补这一空白而提出。 RoboSPA 的设计：两个核心维度 RoboSPA 聚焦于两个核心维度：细粒度空间推理与长程程序规划。它覆盖 10 类任务和 56 个基础任务，每个任务按 5 个难度等级实例化，共产生 280 个变体，难度递增体现在空间模糊性和程序复杂性上。数据集包含 527K 条轨迹，来自多种具身形态和多样场景。 评测方法与发现 RoboSPA 引入了超越二值成功率的诊断性指标，用于更细致的评估。对代表性 VLA 模型的实验结果显示，当前系统在复杂空间关系、精确底层执行和记忆密集型规划上仍然存在困难。这些结果将 RoboSPA 确立为一个有挑战性的诊断基准，用于开发更强大、可靠和可泛化的具身智能体。 值得注意 原文为论文摘要，仅提供了 RoboSPA 的设计目标、规模与主要发现，未给出具体模型名称、评测指标数值或任务示例。关于模型在哪些具体任务上表现如何、诊断指标如何工作等细节，需要阅读论文全文才能获知。