UESF-Bench：统一具身搜寻与跟随的基准与探针

语言引导的人类跟随是具身智能体的重要能力，但既有基准通常假设目标人物在回合开始时可见。该设定简化了问题，忽略更现实的要求：智能体常需先找到语言描述的目标，再在动态环境中持续跟随该目标。虽然近期工作开始研究人类搜寻，既有设定通常在任务专属场景中评估且常依赖对环境的更强先验；而且它们通常把搜寻与跟随当独立任务，仍缺一个统一基准做系统评估。为弥合这些局限，我们提出统一具身搜寻与跟随基准（UESF-Bench）：一个大规模、多样的具身人类搜寻与跟随基准。基准要求智能体处理语义引导探索、可靠的行为切换与恢复、以及延迟的身份落地。为此我们提出SeekFollow-VLA：一个视觉—语言—动作框架，带任务驱动的路由机制做潜阶段推断与搜寻—跟随间的转换建模。实验结果显示SeekFollow-VLA在单人与多人环境中均较单头与双头基线取得明显改进——为统一的具身搜寻跟随确立基线。