机器人基础模型中的本体差距

机器人基础模型（RFMs），包括 vision-language-action（VLA）策略，通常被放在规模化的叙事里讨论：更多数据、更大模型、更广的基准，泛化就应该更好。这份资料要追问的是另一件事——泛化并不等于能在某一台具体机器人上跑起来。作者把「可复用的模型、表示或数据」与「它们在目标机器人上的执行」之间的落差命名为 embodiment gap（本体差距）。值得现在看的地方在于，它把评价重心从「模型泛不泛化」挪到「落地还差多少、差在哪」，换句话说，成功率之外那部分部署成本被摆上了台面。

这是一篇综述，范围收得比较明确：聚焦操作（manipulation）场景中的本体差距，重点是 VLA 策略与通用机器人策略。作者来自 AIST（National Institute of Advanced Industrial Science and Technology），收录的不只是模型本身，也包括模型周围的机制——数据与接口的设计、处理机器人身体差异的方法、真实机器人上的执行与评估。方法上，他们把代表性方法放到一张两轴定性图上，两个轴分别是共享结构的类型、以及为目标机器人执行而需要适应的阶段。附录 A 交代了文献选择策略、边界案例，以及如何处理近期预印本和 OpenReview 投稿。

近期工作被归入三个相互重叠的研究方向：共享语义与感知、共享机器人数据与接口、学习跨本体对应关系。三条线其实都在回答同一个问题——共享的东西如何接到目标机器人的身体和控制系统上。作者反复强调的一点是，共享的模型或表示不会自动变成真实机器人上的运动。RT-X、Octo、OpenVLA、RoboCat、π0 家族被举为这一方向的代表例子。三个方向之所以说「重叠」而非并列，是因为在一次实际部署中，语义、数据与对应关系往往要一起补齐。

对评估方式的批评是这份资料比较有分量的部分。很多机器人基础模型主要看机器人最终是否成功，但两个系统即使达到相同的成功率，在拿到这个结果之前所需的工作量和类型也可能不同，实用价值因此并不相同。作者指出这类问题在工业机器人里长期存在：系统集成商往往依靠经验和隐性知识承担大部分不显眼的工作。他们还引用了 Goldberg 的论点——语言和视觉能利用互联网规模的训练数据，机器人却拿不到同等规模的「观测—动作指令」配对数据；有用的机器人数据要等学习方法与工程方法结合到机器人能可靠运行之后才会累积。Science Robotics 上的相关辩论同样把数据、模型与工程各自的角色视为未决问题。

在这些观察之上，作者提出一个报告框架，用来记录成功率背后的适应工作与失败原因，并列出在新机器人上仍然遗留的工作与待研究的问题。这意味着，比较跨本体学习方法时，除了看分数，还要看拿到分数所付出的适配代价；反过来，扩展数据或模型究竟能缩小哪些差距、哪些只能靠目标机器人上的工程解决，目前仍缺少清晰答案。对实际部署而言，这把「工程量大不大」从口头经验变成了可以逐项核对的内容。

能拿走的东西是一套描述「落地还差什么」的词汇和对照结构：本体差距的定义、两轴图、三个研究方向，以及那个报告框架。它适合关心 VLA 与通用机器人策略落地的人，也适合做系统集成与评估的人。边界也要讲清楚：它是综述，不提出新方法；讨论范围限于操作，而非全部机器人任务；对近期预印本与 OpenReview 投稿的处理只在附录 A 中说明。作者还在脚注中交代，使用 GPT-5.5 校对稿件并准备 Figure 1 草稿，最终稿件责任由作者承担。

The Embodiment Gap in Robot Foundation Models Y ukiyasu Domae(Corresponding author)[email protected] Keisuke Shirai [email protected] Hanbit Oh [email protected] Ryoichi [email protected] T omohiro [email protected] Koshi [email protected] Masaki Murooka [email protected] T akuma Y agi [email protected] Y oshiaki Bando [email protected] Ryo Hanai [email protected] National Institute of Advanced Industrial Science and Technology (AIST), Japan Abstract Robot foundation models (RFMs), including vision-language-action (VLA) policies, are often discussed through a scaling view: more data, larger models, and broader benchmarks should improve generalization. In robotics, however, a model can generalize while work still remains before it can run on a robot with a particular body.