【具身AGI导读】把模型的能力搬进物理世界，卡住的往往不是模型不够强，而是中间少了一层双方都读得懂的动作语言。这套刚开源的工作把动作拆成模型能推理的语义单元，再由各平台自己的解释器落成控制命令。
新加坡国立大学 ShowLab 团队公开了开源工作 Show-Harness——论文《Show-Harness: Just a VLM Agent Can Play Robots》编号 arXiv:2609.10522，于 2026 年 9 月 9 日上线，项目主页、开源代码、开源模型与开源数据四项齐备。该团队的出发点不是再训练一个更大的机器人策略，而是追问一个更基础的问题：基础模型的视觉理解、空间推理与任务分解能力已经很强，但这些能力不会自然地变成机器人动作。它给出的答案，是在基础模型与机器人控制之间定义一层「语义动作接口」——动作对模型是可读、可推理的语义单元，对机器人则由各平台自己的动作解释器，转成受安全边界约束的本地控制命令。
动作空间是一组紧凑的语义动作单元：相对当前参考视角的前后、左右、上下移动，绕特定轴旋转，抓取，释放，结束任务；模型不必直接输出关节或末端位姿数值，而是围绕「目标在什么方向」「该靠近还是下移」「是否已经对齐」来决策。系统按「观察当前状态、分解或更新子任务、做出语义动作、执行后依新的视觉与状态反馈继续修正」的闭环运行；团队另建 GUMI，把同一套语义动作做成浏览器控件与键盘快捷键，使人类遥操作、Computer-Use 智能体与模型直控三种控制方式，对齐到同一套动作语义。
该团队把既有取法归成两条：传统 VLA 让模型基于图像与任务指令直接回归连续控制量，代价是为不同机器人与数据分布反复适配；另一类系统只让大模型负责规划、由独立控制器完成物理执行，代价是语义决策与实际动作之间被拉开距离。放回具身智能的盘子里，这层接口的位置在两者之间——不动模型，只在模型与执行之间加一层接口；跨本体时，模型侧接口不随机器人形态改变，换平台换的是底层动作解释器。
论文从模型、本体与任务三个维度展示这套接口的适用范围——闭源前沿模型无需微调即可进入真实机器人的闭环，开源小模型只在语言模型的线性层做低秩适配、冻结视觉编码器与多模态投影层；实验平台是两种不同自由度的机械臂，含双臂场景，任务从日常抓放扩到陌生物体、背景与光照变化、空间推理与双臂开抽屉。该团队同时给出边界：这些任务的成功率数字并不意味着「机器人控制已经解决」，结论只限于其测试的操作任务与分布变化。
深度机智（北京）科技有限公司做的是物理AI 基座模型，技术路线以人类第一视角数据为起点。
另一组消融实验解释了这层接口在起什么作用：把直观的动作名称换成代号、但保留明确的物理约定，任务仍能完成；只保留语义名称而不解释约定，也能完成；名称和约定同时移除，则基本失败。该团队据此认为，语义名称调用的是模型已有的空间先验，而明确、稳定的「符号—物理效果」约定，才是接口完成动作落地的关键。该团队在结语里给出了一个更大的判断：从 Computer-Use 到 Robot-Use，变的是环境——前者操作屏幕上的数字对象，后者面对的是存在接触与安全约束的物理世界；相同的则是，两者都需要一个模型能理解、又能把结果反馈回来的交互接口。
一层好接口的价值，是把已经很强的模型能力，变成机器人真正做得了的动作。
参考资料
机器之心 · 从 Computer-Use 到 Robot-Use：一套接口让 VLM 直接「玩转」真实机器人 · 2026-09-27