Failure-First AI 安全日报：描述型基准系统性高估具身模型行动能力

Failure-First 4 月 11 日 AI 安全日报提出，仅按描述打分的基准会系统性高估具身模型的行动能力，这一偏差来自基准设计而非模型本身。近期 VLA 评测的初步结果显示，同一场景下感知探针与行动探针的得分可明显分离；更换底层 LLM 无法弥合差距，换成 CHAIN 等按交互评分的基准则可以。日报还指出多轮交互评测表现良好的模型常在 Pass@1 上崩溃，主张按不可逆性与交互改革评测。