VA-Bench：視覚実演・能動的知覚・メートル制御による身体性空間知能の評価

- 本論文は VA-Bench を提案する。 - 視覚デモンストレーションから手順的文脈を学び、能動的に視点を選び、metric な Cartesian コマンドを発行し、実行フィードバックで修正する observe-reason-act-revise ループを評価するベンチマーク。 - 14 の基本タスクファミリ（11 単腕、3 双腕）、7 の held-out な geometry/layout 変種、長 horizon の five-object composition track を含む。 - 12 の主要モデル条件を同一の 20 物理検証済み seed で 3 回独立実行し、terminal success、9 つの trajectory-level behavioral diagnostics、subtask progress を報告する。

- 従来の spatial intelligence 評価は物体位置の記述に留まりがちだが、本ベンチマークは不完全観測下で不足証拠を同定・取得し、共通空間フレームで解釈し、行動に移す完全ループを測る点が新しい。 - モデルに privileged な object poses、oracle trajectories、learned action heads を与えず、RGB のみのデモンストレーションから手順的文脈を学ばせる。 - 固定の model-agnostic controller がモデル指定の target のみを実行する設定で評価する。 - 具体的な先行研究との比較は要旨からは不明。

- RGB のみのデモンストレーションから手順的文脈を学習。 - モデルが能動的に camera viewpoints を選択。 - metric な Cartesian commands を発行し、実行フィードバックから修正。 - 固定の model-agnostic controller がモデル指定の target のみを実行。 - 評価は terminal success、9 つの trajectory-level behavioral diagnostics、subtask progress で行う。

- 12 の主要モデル条件を 3 回独立実行し、基本タスクごとに同一の 20 物理検証済み seed で評価。 - 最良モデルは annotated run で target localization 100.0%、spatial relations 78.9% だが、3 回の macro-average task success は 53.93±3.17%。 - 能動的 camera control は受動的多視点観察より有意に成功率を改善（一比較で 27.86% から 57.50% へ）。 - held-out な geometric transfer は成功率を 30 ポイント以上低下させ得る。 - 厳密な長 horizon エピソードを完了したモデルはなく、部分進捗は大きい。

- 最良モデルでも target localization と spatial relations のスコアに比べ、macro-average task success は 53.93±3.17% と低い。 - 能動的 camera control の有効性が示される一方、held-out な geometric transfer で成功率が 30 ポイント以上低下する。 - 厳密な長 horizon エピソードを完了するモデルは存在せず、部分進捗は大きい。 - 一般-purpose MLLMs が視覚デモと能動取得証拠を embodied action に変換できるかを問う。

- 要旨で参照・比較されている個別研究は明示されていない。 - 同分野の定番として、embodied AI の vision-language-action モデル、active perception、spatial reasoning ベンチマーク（例: RLBench、ALFRED、Habitat、BEHAVIOR）が次に読む候補となる。