TARSphere：让长时程机器人智能体在动态物理与社交环境中接受真实检验

导语

机器人真正进入家庭、办公室或公共空间后，面对的不会是静态场景和一次性指令。物体可能被移动，人的需求可能改变，任务也可能因为对话或突发事件而重新定义。TARSphere 试图把这些因素纳入同一套面向机器人的全栈评测框架，考察智能体能否在物理约束与社会互动并存的环境中持续行动。

核心要点

• 从仿真环境走向可交互世界。 TARSphere-Infra 在物理模拟器中运行机器人策略，并加入具有身体形态的 NPC 与受约束的对话机制。任务状态不是由模型自行宣称完成，而是由事件驱动的有限状态机依据动作是否完成、信息是否传递来更新和判定。
• 让大模型真正“执行”。 TARSphere-Harness 将冻结的多模态大模型接入多层级可执行技能。模型可以结合视觉等观察、分层记忆和执行反馈调整后续计划，而不是只输出抽象的符号动作或文本答案。
• 评测动态变化与人机协作。 研究团队通过智能体参与式整理，将任务语义、因果依赖和场景几何对齐，构建了 TARSphere-Bench。基准包含 30 个室内场景、360 个 episode，覆盖导航并报告、取物并递送两类任务，并设置五组配对条件，分别考察感知鲁棒性、干扰适应、任务更新、人与机器人协调和意图理解。
• 安全不能被成功率掩盖。 对 8 个多模态大模型的测试表明，通用模型可能超过专门的具身模型，但任务发生变化以及与人互动时仍表现困难。与此同时，碰撞和跌倒较为频繁，说明“完成任务”与“以安全方式完成任务”应当被分开衡量。

意义与影响

TARSphere 的价值不只在于新增一个机器人基准，更在于重新定义了长时程具身智能的测试对象：模型是否理解环境、能否根据反馈修正计划、能否处理人的隐含意图，以及它的行动是否会造成物理风险。事件驱动的任务判定也提供了比单纯最终答案更细致的评估视角。

这项工作还提示，模型规模或通用语言能力并不能直接等价为机器人能力。一个模型可能擅长理解指令，却无法在场景改变后及时更新目标；也可能知道应该拿什么，却在移动过程中发生碰撞。未来的具身系统需要同时优化语义推理、空间行动、社会沟通和执行安全。对研究者而言，TARSphere 提供了一种把这些维度放在同一闭环中观察的基础，但其结果仍来自仿真环境，距离真实机器人部署还需要更多验证。

来源：Hugging Face Daily Papers