知识卡片：多模态具身智能体——从 computer-use 到 robot-use 的统一能力视角

一句话结论

论文提出 PAPAV 能力框架，用五个反复出现的功能（感知、预判、规划、执行、验证）来统一比较多模态智能体（MMAs）与机器人系统（RSs），并追问：当多模态智能体从 computer-use 走向 robot-use 时，究竟发生了什么变化（具体结论待核实）。

事件概述或研究问题

• 材料将多模态智能体（MMAs）描述为通过推理、记忆、工具与反馈维持交互的系统，最典型地表现为 computer-use agents；机器人系统（RSs）则在物理动力学下耦合感知与执行。
• 作者据此定义“多模态具身智能体”（MMEAs）为目标导向系统：把多模态任务推理与物理行动耦合，并依据行动产生的反馈修正决策。
• 核心研究问题：多模态智能体从 computer-use 转向 robot-use 时，哪些方面发生变化（原文论证细节待核实）。

方法/产品要点

• 提出 PAPAV，一个以能力为中心的统一框架，包含五项反复出现的功能：Perceive（感知当前状态）、Anticipate（预判行动效果）、Plan（规划可行路线）、Act（通过接口或身体执行）、Verify（验证结果）。
• 该框架按功能而非按架构定义能力，用于识别三类系统的共性，并据此比较 MMEAs 与 MMAs、RSs。
• 材料列出五项物理约束（从部分可观测到结果不可验证），其效果是：可预先固定的选择更少，可逆转错误的空间也更小（约束细节待核实）。

主要结果或产业意义

• 在 64 个基准上，显式评估集中在 Act；仅 5 个评估 Anticipate，3 个评估 Verify，后两者在很大程度上被任务成功率掩盖。
• 上述约束同时构成论文识别的开放挑战。
• 作者主张 PAPAV 可为设计可靠物理智能体提供共同基础，并按五项能力而非仅按任务成功率来衡量进展。

为什么重要

• 把“具身”从架构标签转为功能问题：同一套能力视角可同时审视软件界面智能体与机器人系统，便于定位能力缺口（如预判与验证评估不足）。
• 对评测实践提出直接批评：以任务成功率为主的基准可能掩盖 Anticipate 与 Verify 的缺失，这对图书中“如何衡量智能体能力”的讨论有参考价值。

与既有脉络的关系

• 与本批“因果世界模型”卡片相比，本条不讨论世界模型的表示与可识别性，而是给出跨系统比较的能力分类与评测缺口；两者可在“预判/世界模型如何被评估”处互补（关联为编辑判断，待核实）。
• 与“原生统一多模态模型中的理解-生成协同”卡片相比，本条关注具身行动闭环中的感知—行动—验证，而非理解与生成的协同机制。

局限与不确定性

• 未能抓取正文，以上内容仅基于已知元数据（标题、摘要级信息）整理；PAPAV 各能力的操作化定义、64 个基准的具体构成、五项物理约束的完整清单与论文实验结论均待核实。
• 论文标识与发表信息（arXiv 编号、版本、作者与时间）待核实。

可用于图书/PPT/简报的角度

• “从 computer-use 到 robot-use：能力不变，约束变了”——用 PAPAV 五功能做一页对照图（示意需据原文核实）。
• 评测盲区图：64 个基准中仅 5 个评 Anticipate、3 个评 Verify，说明“成功率不等于能力覆盖”。
• 物理约束如何压缩“可预先固定”的选择空间，可作为讨论具身系统可靠性的引子。

原始材料

• 标题：Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
• 来源：arXiv（https://arxiv.org/abs/2610.30108v1）
• 英文关键词：multimodal embodied agents; capability-centric framework; PAPAV; computer-use; robot-use
• 说明：正文抓取失败，本卡片仅基于元数据，事实性细节待核实。