**RoboSemanticBench：诊断VLA模型动作预测中的语义接地能力**

_RoboSemanticBench: Diagnosing Semantic Grounding in Action Prediction for VLA Models_

> 该研究介绍了RoboSemanticBench（RSB），一个用于评估视觉-语言-动作（VLA）模型在机器人动作预测中语义理解能力的基准测试。研究发现，尽管VLA模型基于强大的预训练语义基础，但在机器人微调后，其动作预测往往依赖于视觉或指令-动作的捷径，而非真正的语义推理。RSB通过让机器人回答多项选择问题并抓取对应正确答案的模块来测试这一点。实验表明，许多模型在抓取成功率尚可的情况下，选择语义正确模块的能力接近随机或低于随机水平，揭示了VLA模型在语义理解与动作预测之间存在持续差距。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.02277)