Show-Harness：给视觉语言模型一套「方向键」，它就能直接操作机械臂

不训练专门的机器人大模型，只换一个接口，通用视觉模型就能玩机器人

3 分钟版

问题　VLM 对世界有广泛理解，但把这种智能转成机器人控制很难。VLA 需要大规模机型专属预训练；代码即策略类 Agent 又把模型挡在细粒度物理决策之外。

思路　设计一个紧凑的语义动作空间：相对于当前参考视角的六向移动、绕轴旋转、抓取、释放、完成。每个动作只带来小而局部的物理变化，让 VLM 一直处在「感知—推理—动作—反馈」闭环中。机型专属解释器把动作转成 6 自由度位姿设定点，换机器人只需换解释器。同一接口还做成图形界面 GUMI，让人和 Agent 不用遥操作硬件就能采集示范数据。

结果　零样本模式（Gemini-3.1 Pro）和微调模式（Qwen3.5-2B）都在跨任务、跨环境、跨机型测试中超过 π0.5、GR00T 等基线。把解释器步长从 2 cm 改为 1 cm，零样本精细任务从 60% 提到 82%，无需重训。

所以呢　「对的接口」可以从通用模型中释放出可观的具身能力，而不需要额外模型容量或昂贵的专门预训练。目前只验证了单臂和双臂的平行夹爪，人形和灵巧手尚未覆盖。

关键数字

• 82% 零样本精细操作成功率（步长改为 1 cm 后）（§5.3.1）
• 85% 需推理的操作任务成功率（零样本 + 情境规划）（§5.3.2）
• 98% 模型输出有效动作单元的比例（§5.4.1）
• 1/20 去掉动作语义与约定时的成功次数（§5.4.4）

局限与疑问

• 只评估了平行夹爪的单臂和双臂操作（作者自述）。
• 真机试验次数有限，结果为作者自报。
• 离散步进控制在高速、动态任务中的适用性未充分验证。
• 零样本模式依赖闭源前沿模型，成本与延迟未详细披露。

arXiv 摘要页 · PDF