将具体问答从感知延伸到决策

具身问答 (EQA) 将具身环境中的感知、推理和交互联系起来。然而，现有的数据集和基准仍然分散，每个数据集都侧重于推理技能的有限子集，例如空间理解或程序推理，而没有提供统一的大规模框架来进行综合评估。我们提出了 EQA-Decision，这是一个大规模的体现 QA 数据集，它系统地涵盖了体现推理的四个互补维度：静态场景构建、空间理解、任务动态推理和即时决策。该数据集包含超过四百万个问答对，并具有跨不同具体场景的分层注释。此外，我们还开发了 RoboDecision，这是一个与 EQA-Decision Benchmark 一致的强大基线模型，提供了一个统一的框架，可以联合评估具体环境中的感知、推理和行动级决策。结果表明，EQA-Decision 有效地对标并增强了 VLM 在空间和交互推理方面的能力，为推进具身智能研究奠定了坚实的基础。