本文的主要作者来自北京航空航天大学、北京大学、北京智源人工智能研究院和中科院自动化研究所。本 文的第一作者为北京航空航天大学博士生周恩申，主要研究方向为具身智能和多模态大模型。本文的共一 作者兼项目负责人为北京智源研究院研究员迟程。本文的通讯作者为北京航空航天大学教授盛律和北京大 学计算机学院研究员、助理教授仉尚航。 我们希望具身机器人真正走进真实世界，尤其走进每个人的家里，帮我们完成浇花、收纳、清洁等日常任 务。但家庭环境不像实验室那样干净、单一、可控：物体种类多、摆放杂、随时会变化，这让机器人在三 维物理世界中「看懂并做好」变得更难。 想象一下你下班回到家，对家用服务机器人说： 「按从左到右的顺序给每盆花浇水；喷壶要在每朵花上方 1–5 厘米处停住再浇，这样更均匀。」（如下图） 对人来说这很自然，但对机器人来说，难点不在「浇水」本身，而在指令里隐含了大量空间约束：既有 定 性 的（从左到右、在上方），也有 定量 的（1–5 厘米）。在杂乱的开放世界场景中，让机器人稳定遵循这 些约束，哪怕对目前最先进的视觉 - 语言 - 动作模型（VLA）也依然是挑战。 一个直接的突破口是：让视觉 - 语言模型（VLM）生 ...