具身与物理基准能力图谱

图一 · 评测能力

• 空间理解
• 物理理解
• 具身感知与交互
• 规划、记忆与决策

图二 · 评估方式

按"模型输出什么 → 谁来判 → 判什么 → 用什么指标"展开。①→④ 是离真实物理执行越来越近的梯度；⑤ 是附加的过程指标，没有基准拿它排名。

• 部分分的单位随类别变：② 按偏好条目（nSAT）、③ 按里程碑状态（TaskCompletion）、④ 按谓词（GcS）/ 物体（GC）/ 子目标（PR）。
• 只有 ③ 存在"判定者本身会出错"的问题（RoboBench 用 MLLM 当模拟器），其余都是确定性判定。
• ④ 里只有 WatchAct 的 PR 带顺序信息；GcS / GC 都是无序集合，跳步或乱序也能拿分。