大模型在具身推理上「翻车」了？4496 道题全面揭示短板

美国东北大学联合港中文、哈佛提出BEAR基准，系统评估多模态大语言模型（MLLM）在具身智能中的14项细粒度技能表现。基于4,469个图文视频VQA样本，实验显示当前最优模型GPT-5仅获52%准确率，暴露出视觉理解与3D空间推理等核心短板。研究发现Chain-of-thought提示可能降低性能，且底层感知错误占长程任务失败的88%。为此提出的BEAR-Agent通过辅助工具显著提升模型表现，并在仿真环境中实现MOKA指标20.17%的增长，为具身智能发展提供新路径。
来源：https://mp.weixin.qq.com/s/7vyXIIHjl92alYEJpQ3UXw