Hugging Face · 每日论文· 媒体 / 作者来源·精选
PAPAV框架：从电脑使用到机器人使用，多模态具身智能体缺什么
原文标题
Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
AI 导读
论文将多模态具身智能体定义为把多模态任务推理与物理动作结合、并依据反馈修正决策的系统，提出按功能划分的PAPAV五能力框架：感知状态、预判动作效果、规划可行路径、通过接口或身体执行、验证结果。作者比较了电脑使用智能体、多模态智能体与机器人系统，并指出物理约束——从部分可观测到结果难验证——使可预先固定的选择更少、纠错空间更小。在64个基准中，显式评估集中在“执行”，仅5个评估“预判”、3个评估“验证”。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
论文提出统一的五能力框架，并用64个基准的统计指出预判与验证能力在评测中严重缺位，为具身智能体的评估设计提供了可复用的分析框架。
导读由模型辅助整理，非独立核验。完整信息见原文。