**HumanCLAW：评估视觉语言模型通过身体行动的能力**

_HumanCLAW: Can Vision-Language Models Act Through a Body?_

> 研究提出 HumanCLAW 框架，将视觉语言模型（VLM）的动作决策与底层执行解耦，通过原子技能命令驱动真实物理世界中的全身运动。基于该框架构建的 HumanCLAW-Bench 包含 1,218 个长周期、第一人称视角的寻路交互任务，测试显示当前最佳 VLM 成功率仅 16.8%，表明模型缺乏具身自我意识——无法准确感知自身位置、目标达成或碰撞状态。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-30 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.27180)