LARYBench发布：定义具身动作表征“ImageNet”，美团揭示通用视觉模型泛化潜力

核心要点

• 发布LARYBench基准：美团技术团队推出了首个系统化评测通用隐式动作表征的基准，旨在规范具身智能的动作学习评估。
• 通用模型优势显著：实验证明，通用视觉模型在动作泛化和控制精度上均优于专门为具身智能设计的动作专家模型。
• 动作表征的涌现：研究确认具身动作表征可以从大规模人类视频数据中自然涌现，无需完全依赖特定机器人数据。
• 行业地位：该基准被定位为具身动作表征领域的“ImageNet”，为行业提供了标准化的度量衡。

详细分析

LARYBench：构建具身智能的动作度量衡

LARYBench的全称是 Latent Action Representation Yielding Benchmark。作为一套系统化的评测基准，它的核心目标是解决如何从大规模视觉数据中学习并度量“通用隐式动作表征”的问题。在具身智能（Embodied AI）的发展过程中，缺乏统一的度量标准一直是阻碍技术进步的瓶颈。LARYBench的出现，类比于计算机视觉领域的ImageNet，为科研人员提供了一个清晰的坐标系，用以评估模型捕捉动作本质特征的能力。

通用视觉模型与动作专家模型的性能对比

根据美团技术团队的实验结果，通用视觉模型在具身任务中展现出了出人意料的强大性能。在传统的认知中，专门为特定任务设计的“动作专家模型”应具有更高的精度，但实验数据表明，在大规模数据驱动下的通用视觉模型，其在动作泛化（Generalization）和控制精度（Control Precision）上均实现了显著的超越。这意味着，通用模型所具备的深层视觉理解能力，能够更有效地转化为具身智能所需的动作指令。

动作表征的涌现：从人类视频中学习的新路径

该研究的一个重大发现是，具身动作表征可以从大规模的人类视频数据中“涌现”。这一结论打破了具身智能必须依赖昂贵的机器人采集数据的固有印象。通过观察人类在日常视频中的行为，AI模型能够学习到关于物理世界交互的隐式规律。这种从海量无标注视频中提取动作表征的能力，为未来构建具备高度通用性的机器人系统提供了低成本、高效率的数据方案。

行业影响

LARYBench的发布对具身智能领域具有深远的指导意义。首先，它重新定义了数据价值，证明了互联网规模的人类视频是训练具身智能的宝库。其次，它推动了模型架构的思考，暗示了通用大模型在具身智能领域的统治潜力。最后，作为一套标准化的评测工具，LARYBench将加速具身动作表征技术的迭代，为实现真正泛化的智能体奠定基础。

常见问题

什么是LARYBench的主要功能？

LARYBench是一个系统化的评测基准，专门用于评估和指引模型从大规模视觉数据中学习通用隐式动作表征的能力，被视为具身动作表征领域的标准化度量工具。

为什么说具身动作表征可以从人类视频中“涌现”？

实验表明，通过在海量人类视频数据上进行预训练，通用视觉模型能够自动习得与物理动作相关的隐式特征。这种特征在未经特定机器人数据微调的情况下，依然能在动作泛化和控制任务中表现出色。

通用视觉模型在具身智能中相比专家模型有何优势？

通用视觉模型凭借其在大规模多样化数据上积累的表征能力，在面对未见过的场景或复杂动作时，展现出比专门设计的专家模型更强的泛化适应性和更高的控制精度。