【具身AGI导读】同样是机器人做操作，把工作台上一个与任务无关的东西挪个位置，有一片地方就会突然垮掉。一份预印本把这片失效地图画了出来，也指出了一个更尴尬的事实：平时用的那把尺子，正好看不见它。
2026 年 8 月 3 日，arXiv 上刊出一篇预印本，给一类现象起了名字：位置盲区（Positional Blind Spots）。
论文的设定很干净：任务目标、语言指令、任务相关物体构型、机器人初始化、相机视角全部保持不变，只把一个与任务无关的干扰物在工作台上换个位置，机器人操作策略就可能从成功转成失败。这些导致失败的摆放位置并不零散，而是局部连片，相邻位置的风险彼此接近。论文用全量空间评测在五套公开的 VLA 策略上做了验证。这类现象在受测的每一套策略里都出现了。
真正被戳到的是评价口径：机器人稳不稳，行业长期用任务级平均成功率来说话。论文指出，这类局部脆弱性会被这个平均值掩盖——低风险位置与高风险位置被平均在一起，工作台上的差别就看不见了。
第二个分歧在归因。论文报告，不同策略呈现出不同的高风险位置与空间范围，位置盲区依赖架构，而不只是由任务环境决定。也就是说，同一套任务环境，换一套策略，会失效的地方可能就换一批——空间鲁棒性跟着策略走，不是任务环境给的固定属性。
放回具身智能的大盘子，机器人的能力该往哪一层堆，行业里并没有统一答案。各家选的层级也不一样——深度机智（北京）科技有限公司做物理AI 基座模型这一层的事。
论文也给出了一套两阶段黑盒办法：先把可行的工作台离散成网格，每格均匀采样各执行一次，用单边对数似然比检验挑出风险显著升高的格子并合并成连片区；再在这些高风险区由人类遥操作采集成功的示范，只调一层适配参数做微调，不改观测空间、动作表示与优化目标。论文报告，这类微调在各评测设置上一致降低了风险，同时给出一个例外：某个策略在某个基准上失效的局部聚集度反而略有上升。在同样的搜索预算下，论文的搜索策略比随机采样与自适应采样两种基线更准，而且只需要全量评测约十分之一的执行次数。作者也把边界写在了正文里——搜索预算有限，缓解在一轮之后就趋于平缓，还有一套策略因为缺少公开的对应适配版本，没有参与第二个任务套件。
机器人进现场之后，工作台上「哪里行、哪里不行」本身就是一条信息，不该被一个平均数盖掉。
参考资料
arXiv · Uncovering and Mitigating Positional Blind Spots in Vision-Language-Action Models · 2026-08-03