机器人视觉-语言-动作策略将视觉观察和语言指令映射为动作，但评估则观察整个部署链。摄像头、提示处理、策略推断、动作转换、控制器、抓手和环境均对结果有贡献。仅凭成功率无法确定哪些能力有效或失败。
一个有用的协议会冻结配置，定义任务和初始状态，分层熟悉和变化的条件，记录试验层面的结果并报告不确定性。它还测量了延迟、干预和物理副作用。这使得不同模型版本的结果可比，而不会将研究基准变成毫无依据的安全性声明。
本指南应与 扩散策略指南 及 动作分块指南结合使用。在将所有结果归因于单一模型标签之前，分别评估语言基础、感知、动作生成和执行。
测试前冻结系统身份
记录模型架构、检查点哈希、标记器、提示模板、图像预处理、策略采样设置和动作规范化。还记录机器人串行配置、摄像头内在和外部、工具、有效载荷、控制器增益、固件和软件版本。当多个相关组件发生变化且未注明归因时，模型比较无效。
定义预热、重置和校准程序。引脚推断硬件和电源模式，因为延迟会影响行为。保存环境资产和对象标识符，而不仅仅是通用类别。如果在线适配、检索或内存处于激活状态，保留初始状态并为每次试验更新历史。
任务需要可观察的开始和结束状态
写下每条指令、允许的释义、初始对象区域、机器人起始姿势、超时和成功谓词。用可测量状态替代诸如外观正确等判断：物体在标记区域内，抽屉开启超过距离或工具保留一段时间。在观察结果前定义部分进展里程碑。
明确策略可能使用的内容。隐藏的人工纠正、手动提示重写或特权对象姿态会改变任务。计数重试次数和澄清请求。如果评估者能阻止不安全的动作，应将干预作为结果记录，而非删除试验。
| 评估层 | 问题 | 度规 | 失效示例 |
|---|---|---|---|
| 语言 | 指令是接地的吗？ | 对象与关系选择 | 错误的物体 |
| 认知 | 场景有被呈现吗？ | 姿势或州里程碑 | 遮挡误差 |
| 规划或策略 | 进展是连贯的吗？ | 赛段完工 | 错误的顺序 |
| 控制 | 指令会被追踪吗？ | 误差与饱和 | 超速 |
| 安全行为 | 界限被尊重了吗？ | 干预与接触 | 保护性止挡 |
分层熟悉且变化的条件
将类似训练的组合与新的对象实例、姿势、背景、视角、光照和语言区分开来。合成测试可以重新组合熟悉的名词、关系和动作，而较难的测试则引入训练中缺少的概念。将预期的转变标记为标签，而不是将每个困难的试炼归为泛化。
在每个层内使用足够的重复次数，并随机化运行顺序。否则，一个简单的对象或一个有利的摄像角度可能会主导聚合。保留一个固定的回归集用于版本比较，一个隐藏集用于模型选择泄漏控制。
语言基础需要受控的对比
测试保留意义的释义，然后进行最小对立样本，改变一个对象、属性、空间关系或动作。添加无关用词和合理的干扰对象。仅因场景中只存在一个可理解对象而成功的策略，并未证明基于语言的选择。
包含当目标模糊或不可得时，应触发澄清、拒绝或不采取行动的指令。评分机器人是否避免基于无依无据的猜测行动。保持语言测试在场景中具有文化和物理上的可解读性；仅凭语言新颖不应默默影响任务的可行性。
进展指标使得稀疏的成功变得可诊断
将操作拆分为多个阶段，如接近、首次接触、稳固抓握、升力、运输和放置。记录最远有效阶段、每个阶段的时间以及进展是否后来被撤销。连续距离可以补充里程碑，但不应取代任务语义。
使用测试前约定的失败分类法：错误目标、错抓、碰撞、滑动、策略停滞、超时、控制器限制、感知损失和评估者干预。对模型版本盲目审查模糊视频。报告任务级和失败级计数，以确保改进有机制。
| 状况 | 最低报告 | 不确定性 | 物理侧度量 |
|---|---|---|---|
| 匹配任务 | 成功计数与试验 | 二项区间 | 接触与干预 |
| 新颖的物品 | 每个对象的结果 | 分层区间 | 掉落或损伤 |
| 语言转变 | 每个模板的结果 | 按任务分组 | 误向物体运动 |
| 视角转移 | 姿态与光线层 | 跨场景传播 | 工作空间游览 |
| 潜伏应力 | 延迟分布 | 百分位区间 | 停滞指令旅行 |
试验计数防止错误精度
十次试验中十次成功并不证明100%的成功概率。报告分子、分母及合适的二项置信度或可信区间。当重复试验共享同一物体或场景时，观察结果会被聚类；展示每个目标的结果，而不是假装每次尝试都是独立的。
围绕操作上重要的差异来规划样本量。停止规则和排除试验必须提前制定。如果计算极限要求样本较小，将结果描述为初步，保留原始结果。小数点越多，证据越多。
延迟和数据年龄应列入记分卡
时间戳摄像头曝光、状态采样、推断队列、模型完成、命令转换和执行器应用。报告中位数和尾端延迟，以及每次观测动作到达机器人时的年龄。平均模型吞吐量可与罕见的物理失效停滞共存。
使用 ROS 2 实时控制指南 将推理调度与有界硬件循环区分开来。注入受控延迟和丢帧，然后测量过时命令的行程和备用行为。系统应暴露不确定性或停止，而不是默默执行旧计划。
干预措施和副作用即为结果
统计紧急停止、保护性停止、操作员接管、手动物体重置、碰撞、坠落以及力或转矩极限事件。救援试验不等同于自主成功。即使最终物体状态满足任务条件，也报告近距离错过和工作空间违规。
将接触证据与 机器人碰撞检测指南协调。能力评估不确定功能安全。保护功能、风险评估和验证仍是机器人标准和应用要求下的独立工程活动。
通用策略案例必须严格限定结论范围
Octo项目描述了一种基于变换器的扩散策略，预训练于大量开放X-Embodiment数据混合上，并在多个真实机器人设置中进行评估。这是跨实体策略工作的有用范例，但其结果仍针对报告的任务、机器人和评估程序特有。
官方的Octo仓库记录了实现和许可细节。在适应此类模型时，请记录观察和动作适配器、微调数据及控制器差异。不要将纸质平均值转给未经测试的机器人，也不要将通用策略描述为通用。
发布可审计的结果包
发布任务定义、配置清单、每次试验结果、种子、时间戳、评估者规则和失败标签。在隐私和权利允许的情况下保留同步的视频和遥测数据。聚合表应可通过版本管理脚本从试验层级数据中复现。
Octo论文和Open X-Embodiment库为一个通才策略生态系统提供了主要背景。引用精确的修订，并将来源声明与测量区分开。透明的负面结果比无法解释的成功率更有价值。
评估“机器人VLA评估：任务、泛化、延迟与安全证据”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
- 冻结模型、提示词、机器人和控制器身份。
- 定义可衡量的任务和部分进展。
- 分层匹配、组合和转移案例。
- 报告数量、不确定性、延迟和数据老化。
- 统计干预措施和身体副作用。
常见问题
VLA在机器人学中是什么意思？
它通常指的是一种视觉-语言-动作模型，通过视觉观察和语言来条件机器人行动。架构和动作接口不同，因此仅标签本身并不构成规范。
任务成功率足以比较两项策略吗？
不需要。包括试验次数、不确定性、任务层级、进展、延迟、干预和失败。否则，同样的百分比可以描述非常不同的系统。
泛化应如何检验？
命名变换，如新对象、姿势、视角、措辞或组合，并分别报告每个层级，与训练类条件分开报告。
一次人类救援应该算作成功吗？
不。分别记录自主结果和干预。挽救完成可以作为有用的诊断证据，但不等同于自主成功。
高 VLA 分能证明机器人安全吗？
不。能力基准不能取代危害分析、保护功能、安全验证或应用特定操作限制。
VLA评估结论边界
VLA 评估结果适用于已记录的模型、机器人、控制器、任务分配和测试程序。它们不应推广到未经测试的环境，也不应作为安全认证使用。