Show-Harness：仅凭一个 VLM 智能体就能「玩」机器人
基础视觉语言模型（VLM）对世界已有广泛认知，但把这种认知转成机器人控制仍然困难。我们提出 Show-Harness——一套「具身 harness」，通过连接意图与动作的紧凑语义接口，让 VLM 直接「玩」机器人。Show-Harness 对外暴露 VLM 天然可推理的离散语义动作单元，再由机体专属的解释器把它们确定性地接地为局部机器人动作，使 VLM 始终对细粒度物理决策负责。基于同一接口，我们验证了两条路径：（1）直接解锁闭源前沿 VLM 实现零样本机器人控制；（2）只需几 GPU 小时微调，即可把小规模开源 VLM 适配为低成本部署的策略。我们进一步做出 GUMI（GUI 操作界面），把同一语义动作空间延伸到基于 GUI 的演示采集，让人类与智能体无需专用遥操作硬件即可跨机体「玩」机器人。大量实验表明，装配 Show-Harness 的 VLM 智能体在任务、机体与环境之间稳健泛化，优于代表性的 agentic 与 VLA 范式。这些结果说明：合适的接口本身就能从基础 VLM 中释放大量具身能力，无需额外的模型容量，也无需昂贵的机体专属预训练。
Yanzhe Chen, Zechen Bai, Zhijun Cao·2026年9月9日
视觉语言模型Agentic HarnessSemantic Action Interface2026年9月9日
0:24
