已往，，，，，许多VLA模子在标准机械人基准上体现不错，，，，，但这并不即是它们真的具备真实安排能力。。。。
。。真真相形中的机械人使命，，，，，往往会同时遇到物体位置转变、场景结构转变、未见物体、视觉滋扰和语言指令改写等问题。。。。
。。 这篇论文提出LIBERO-X，，，，，焦点不是再造一个更强模子，，，，，而是构建一个更严酷的VLA鲁棒性评测基准，，，，，用来磨练现有视觉语言行动模子究竟稳不稳。。。。
。。要领上，，，，，LIBERO-X设计了五级递进式测试协议，，，，，从局部空间扰动、大规模空间扰动，，，，，加入景拓扑重构、视觉属性转变和语义等价指令改写，，，，，逐层增添真实安排难度。。。。
。。同时，，，，，它构建了更高多样性的训练数据，，，，，并通过多标签诊断剖析模子在交互类型、子使命数目、空间关系、物体属性等维度上的失败模式。。。。
。。 实验效果显示，，，，，多个代表性VLA模子在LIBERO-X上都会随难度增添显着掉点，，，，，尤其在拓扑转变、未见物体、语言改写和多步长程使命中体现不稳固。。。。
。。这说明现有VLA并不是不会完成使命，，，，，而是缺少对重大漫衍偏移的稳固泛化能力。。。。
。。 这篇事情的价值在于，，，，，它把VLA评测从平均乐成率推进到鲁棒性诊断。。。。
。。对具身智能研究来说，，，，，未来不但要做更大的模子，，，，，也要做更真实的基准、更细的失败剖析和更强的空间泛化、语言接地与长程执行能力，，，，，这正是VLA适用化落地的主要发文切口。。。。
。。