RoboSPA：VLA 模型能否超越简单场景和短期任务？
RoboSPA 是一个用于评估机器人操作中视觉-语言-动作（VLA）模型空间推理和程序推理能力的大规模数据集与基准。它涵盖 10 个任务类别、56 个基础任务，以及分布在五个难度等级中的 280 个变体，空间歧义和程序复杂度逐步提升。数据包含来自多种机器人形态和不同场景的 52.7 万条轨迹。除任务成功率外，RoboSPA 还引入了更细致的诊断指标。实验表明，当前 VLA 模型在复杂空间关系、精确的底层执行以及高记忆需求的长期规划方面仍存在明显不足。数据和代码已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。