STAGE：诊断具身智能体从指令理解到动作执行的断层

具身语言基础需要的不仅仅是识别指令的指示对象：恢复的语义还必须控制代理暴露的动作。我们将这个缺失的环节研究为语义-动作间隙，其中指令语义是可恢复的，但在本机连续动作中表达较弱。我们引入了 SAT-Bench，这是一种固定观察反事实基准，它保持视觉场景和代理状态固定，同时仅更改指令语义。在 LIBERO 目标名称和基于像素的关系交换中，目标恢复率达到 100.0% 和 95.8%，而 OpenVLA 动作灵敏度仍仅为 6.8% 和 7.7%。在 1,000 个额外的成分和时间/程序反事实中，差距仍然存在，总体动作敏感性为 6.1%。隐藏状态、无阈值、跨策略和轨迹诊断进一步支持这种语义动作传输失败。我们引入 VISA，一个轻量级执行时接口，它将恢复的语义转换为 ALLOW、DEFER、目标一致性和验证选择决策。 VISA 将无效指令盲执行从 92.7% 减少到 2.8%，同时保留 94.0% 的正常命令，并且经过验证的选择进一步提高了目标一致的操作暴露，而无需更新底层策略。总体而言，具体语言评估应该衡量语义动作转移，而不仅仅是语义解析。