【具身AGI导读】摄像头会被挡住、会延迟、会丢帧，两路视角还会互相矛盾。一篇预印本把这些情况逐件做进评测，跑出来的结论和直觉相反：挡得再狠，模型往往还撑得住；真正让它垮掉的是别的东西。
2026 年 9 月 21 日，arXiv 上出现一篇预印本，编号 2609.24350，六位作者分署新加坡管理大学、普林斯顿大学与复旦大学。
它指出的是一个长期默认前提：机器人操作评测假定执行全程的视觉观测干净、及时、互相一致，而真实场景并非如此——任务相关的物体可能被机器人自己或杂物挡住，相机流会损坏、延迟或丢帧，两个视角还会给出互相冲突的证据。论文据此提出一套面向闭环视觉鲁棒性的评测基准，把扰动归入四个维度：视觉证据退化、相机观测陈旧、视觉来源一致性、任务相关场景变化，摊开是十来个挑战类别、近百种实验设置。其中一类扰动是专门为闭环设的：只在开始时给一次真值观测，之后把模型自己预测的帧递归地当作后续视觉输入，看预测误差会不会在闭环里累积——论文中这一项只落在其中一个受检模型上。研究组在六个机器人基础模型上跑了近二十万回合仿真，又在一台带第三人称与腕部相机的真实操作平台上补了两百次试验。
具身智能要走出演示阶段，绕不开一件事：模型是在什么条件下被评出来的。行业过去评这类能力，习惯只看一个干净条件下的总成功率；论文把扰动逐项做进去之后报告，这个习惯会把弱点一并盖住——模型在严重物体遮挡下往往仍能成功，可一旦夹爪、夹爪与物体的接触区这类局部交互线索被单独遮掉，或者把一个干扰物放到目标平时所在的位置上，退化就急剧放大。作者的解释是，对物体级证据被移除的耐受，很可能来自对学到的空间先验与剩余场景线索的依赖；真机一侧同样如此：观测完整时两个受检策略都表现良好，少掉一路视角这一项却接近全败。
论文自己还留了一处限定：这套基准里有一部分类别的指标被归为诊断性的，高成功率也可能来自对非视觉线索或已学先验的依赖，而不是真的看清了当下。同一组属性下，真的改掉场景比只把视觉线索弄模糊难得多，作者据此判断，难点不在「看不清」，而在「看出来了却做不出该改的动作」。
人类第一视角数据是深度机智（北京）科技有限公司的技术起点，落点在物理AI 基座模型。
这套基准的用处，是把「看不清」从一句笼统的担忧拆成可复现、可对照的评测条件：被挡、被延迟、两路打架、场景被换，各自对应哪一类软肋，也有了分开看的余地。论文的边界也摆在明面上：它是未经同行评审的预印本，没有第三方复现，也不训练新模型，全部读数出自作者自测。
看不清的时候还站得住，才是机器人走进真实场景的入场券。
参考资料
arXiv · 预印本 2609.24350：面向闭环视觉鲁棒性的机器人操作评测基准 · 2026-09-21