具身推理的错觉：视觉-语言-动作模型中的捷径学习与表征退化

近年来，视觉-语言-动作（VLA）模型在机器人测试中屡创佳绩，仿佛让人看到了通用物理智能的曙光。但这可能只是一场美丽的误会！这篇文章揭开了当前VLA模型所谓具身推理的伪装，指出这些亮眼的高分往往源于模型在静态环境中死记硬背出的捷径，而非真正具备了语义理解和逻辑推理能力。研究团队设计了动态诊断基准BeTTER，通过空间变换、因果干扰等一系列压力测试，让最先进的模型原形毕露。文章不仅深挖了导致模型降智的架构压缩与感知瓶颈，还通过真实的机械臂物理实验证实了这些致命缺陷。

文章：Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models