知识卡片：Plan-Bench：现有视觉语言模型能否超越感知，在具身世界中推理与规划？

一句话结论

Plan-Bench 是一个隔离动作执行、专门考察视觉语言模型（VLMs）在具身场景下高层推理与多步规划能力的基准；对 28 个 VLM 的评测显示即使最强模型准确率也仅 75.0%，表明这类能力仍有明显提升空间。

事件概述或研究问题

• 背景：VLMs 在视觉感知与空间推理上表现强劲，因此越来越多研究希望把它们用作具身 AI 的高层规划器（high-level planner）。
• 问题：物理任务要求模型整合空间信息、对时序状态进行推理，并在多种约束下生成多步计划。当前 VLMs 能否在不依赖动作执行的前提下可靠支撑这类推理与规划，仍待回答。
• 论文提出 Plan-Bench，目标是在隔离动作执行影响的情况下，评估 VLM 与具身世界相关的高层推理和多步规划能力。

方法/产品要点

• 基准设计覆盖三个互补维度（three complementary dimensions）。
• 规模：共 16 个子类（16 subclasses）、699 个精选样本（699 curated samples）。
• 评测对象：28 个 VLMs。
• 定位：作为评估 VLM 具身推理与规划能力的轻量探针（lightweight probe），并衡量其作为物理任务决策者的潜力。
• 代码与基准已公开：https://github.com/MinneFeng/Plan-Bench

主要结果或产业意义

• 广泛评测显示仍有改进空间：最强模型准确率仅为 75.0%。
• 模型规模扩大（model scaling）总体上能提升这些能力。
• 消融研究（ablation studies）表明，更大的模型作为高层规划器展现出越来越大的潜力。
• 产业意义（基于论文定位的合理引申）：为把 VLM 用作具身系统高层决策者提供了一个相对独立于底层执行、便于横向比较的评测入口。

为什么重要

• 具身 AI 中，若把 VLM 当作高层规划器，其可靠性直接决定系统能否把感知转化为可执行的多步决策；Plan-Bench 把“执行”从评测中剥离，有助于单独定位推理与规划这一环的短板。
• 与同类的 Agent/推理基准（如 CordisBench 关注组件生命周期推理、SCILAWS-BENCH 关注科学定律发现）相比，本条聚焦的是具身场景下的空间—时序—约束多步规划，补足了“感知之外”的能力评估维度。

局限与不确定性

• 来源仅为 arXiv 摘要与元数据，以下内容待核实：
  • 三个互补维度的具体定义与划分依据。
  • 16 个子类的具体名称与各类样本分布。
  • 699 个样本的构建流程、标注方式与质量控制细节。
  • 28 个受测 VLM 的具体清单、参数规模与评测配置。
  • 75.0% 准确率对应的具体模型、指标定义与是否含置信区间。
  • “模型规模提升能力”的消融实验设置与对照条件。
• 论文未在摘要中说明该基准与真实机器人执行的衔接程度（待核实）。

可用于图书/PPT/简报的角度

• “感知强 ≠ 会规划”：用 75.0% 这一上限说明 VLM 作为具身高层规划器的能力缺口。
• “把执行剥离出去看推理”：介绍 Plan-Bench 的隔离式评测思路，作为方法论案例。
• 缩放定律在具身规划上的体现：模型越大越有当高层规划器的潜力，但尚未饱和。
• 具身 AI 评测版图：与 CordisBench、SCILAWS-BENCH 等并列，展示“能力细分 + 基准化”的趋势。

原始材料

• 标题：Plan-Bench: Can Existing VLMs Go Well Beyond Perception to Reason and Plan in Embodied Worlds?
• arXiv ID：2610.18836v1
• 作者：Juntong Feng, Qingan Liu, Jingru Dong, Yue Zhu, Weiming Zheng, Yujie Cheng, Xinzhe Han, Shuai Hao, Yunzhi Zhuge, Haiwen Diao, Huchuan Lu
• 发布/更新：2026-10-13T17:55:20Z
• 分类：cs.CV（Primary），cs.CV
• Abstract URL：https://arxiv.org/abs/2610.18836v1
• PDF URL：https://arxiv.org/pdf/2610.18836v1
• 代码/基准：https://github.com/MinneFeng/Plan-Bench