知识卡片：HumanCLAW：视觉语言模型能否通过身体行动？

一句话结论：当前最先进的视觉语言模型（VLM）在需要通过物理身体完成长程导航-交互任务时表现极差（最高成功率仅16.8%），原因并非识别目标失败，而是缺乏“具身自我意识”——无法感知自身身体的位置、是否到达目标或是否撞到障碍物。

事件概述或研究问题：评估VLM是否具备通过物理身体执行行动的能力存在核心难点：任务失败时难以区分是模型决策错误还是底层运动控制（如失去平衡、跌倒）导致。为此，本研究提出HumanCLAW框架，将高层动作决策与低层运动执行解耦。

方法/产品要点：

• HumanCLAW框架：每步由现成VLM发出原子技能命令，该命令被翻译为亚秒级的连续全身运动片段，并实际执行于物理世界，包含重力、碰撞等真实物理后果。运动执行侧的干扰（平衡、电机误差）被排除，仅测量模型的“行动智能”——即每一步选择身体下一步应执行什么。
• 基于该框架构建HumanCLAW-Bench：包含41个室内场景下的1218个长程、以自我为中心的“寻找-导航-交互”情节。
• 测试了9个最先进的VLM（具体模型名称待核实）。

主要结果或产业意义：

• 所有测试模型均未通过该基准测试，最佳模型成功率仅16.8%。
• 核心瓶颈：并非识别目标失败，而是缺乏具身自我意识——模型会丢失自身身体的位置信息，无法判断是否到达目标或是否遇到障碍物。

为什么重要：这是首个将VLM的决策智能与运动执行解耦的评估框架，揭示了当前VLM在具身智能中的关键缺失（具身自我意识），而非单纯的视觉或语言理解能力不足。增量信息：与已有相关卡片（如失败归因研究）不同，该研究明确指出了“具身自我意识”这一新维度，而非仅区分感知或知识缺陷。

局限与不确定性：

• 论文正文未公开，具体使用的9个VLM模型列表待核实。
• 框架假设底层运动控制器完全可靠（排除电动机误差和平衡问题），但现实场景中执行侧仍可能引入未完全排除的误差。
• 仅在室内场景下的导航交互任务测试，泛化到室外或更复杂物理环境的能力待验证。

可用于图书/PPT/简报的角度：

• 具身智能评估中的“归因困境”及HumanCLAW的解耦思路。
• 当前VLM在具身任务中的核心短板并非视觉或语言，而是“身体感知”。
• 对比已有VLM失败类型研究（如“看不见vs不知道”），本工作新增了“不知道自己身体在哪”这一维度。
• 对机器人或具身智能产品设计启示：应显式建模自身位姿与状态记忆。

原始材料：

• 英文标题：HumanCLAW: Can Vision-Language Models Act Through a Body?
• 关键词：Vision-Language Model, Embodied AI, Evaluation Benchmark, Self-awareness
• 来源：arXiv:2607.27180v1 (https://arxiv.org/abs/2607.27180v1)