LARYBench发布：美团定义具身动作表征“ImageNet”，揭示人类视频学习新路径

核心要点

• 发布LARYBench基准：美团技术团队推出系统化评测基准，专注于通用隐式动作表征的评估。
• 定义行业标准：该基准被视为具身动作表征领域的“ImageNet”，首次实现了对从人类视频学习的泛化表征的度量。
• 通用模型优势：实验证明通用视觉模型在动作泛化能力和控制精度上，均显著超越了专门的具身智能动作专家模型。
• 数据涌现效应：研究确认具身动作表征能够从大规模人类视频数据中自然涌现，无需完全依赖特定领域的专家数据。

详细分析

LARYBench：构建具身智能的评估基石

LARYBench（Latent Action Representation Yielding Benchmark）的发布，填补了具身智能领域在通用隐式动作表征评测方面的空白。作为一个系统化的基准，它旨在引导研究者从海量的视觉数据中提取并学习具有普适性的动作表征。通过类比计算机视觉领域的ImageNet，LARYBench为具身智能的动作学习提供了可量化的度量标准，使得不同模型在处理复杂动作任务时的表现有了统一的评价体系，这对于推动具身智能向通用化发展具有重要意义。

动作表征的涌现：从人类视频到机器控制

该研究的一个核心发现是具身动作表征的“涌现”现象。实验数据表明，通过在大规模人类视频数据上进行训练，通用视觉模型能够学习到深层的动作逻辑。令人关注的是，这些通用模型在动作泛化性以及最终的控制精度上，均表现出比专门针对具身智能设计的专家模型更强的实力。这意味着，利用现有的海量人类行为视频，可以有效提升机器人等具身智能体的动作理解与执行能力，降低了对特定动作标注数据的依赖。

行业影响

LARYBench的推出对具身智能行业具有深远意义。它不仅提供了一个标准化的评测工具，更揭示了通用视觉模型在处理具身任务时的巨大潜力。这可能会改变未来具身智能模型的研发范式，促使行业更多地关注如何利用大规模非结构化视频数据来训练具备高度泛化能力的动作模型。这种从“专家模型”向“通用模型”的转变，有望加速机器人技术在复杂、多变的现实环境中的落地应用，为实现通用具身智能迈出了关键一步。

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，主要用于评估和指引模型如何从大规模视觉数据中学习到通用的隐式动作表征，被形象地称为具身动作表征领域的“ImageNet”。

为什么通用视觉模型在具身任务中表现更好？

根据美团技术团队的实验结果，通用视觉模型在大规模数据学习中展现出了更强的动作泛化能力和更高的控制精度，其综合表现显著优于专门为具身智能设计的动作专家模型。

具身动作表征是如何产生的？

研究表明，具身动作表征可以从大规模的人类视频数据中“涌现”。这意味着通过学习人类的视觉活动，模型可以自动提取出可用于机器人控制的通用动作特征。