美团技术团队近期发布了一项创新成果——LARYBench，全称为Latent Action Representation Yielding Benchmark。简而言之，这是一套系统化的评测基准，旨在从海量视觉数据中学习通用的隐式动作表征。实验数据揭示了一个引人注目的现象：那些通用视觉模型在动作泛化能力和控制精度上，竟然超越了专门为具身动作设计的专家模型。这一结果说明，具身动作表征完全可以借助大规模人类视频数据自然演化而来，为具身智能的规模化发展奠定了关键的理论基础。
核心要点
- LARYBench基准正式发布：美团技术团队推出了一套系统化的评测基准，专门用于从大规模视觉数据中提取通用的隐式动作表征。
- 通用模型全面胜出：实验数据清晰显示，通用视觉模型在动作泛化能力和控制精度这两项硬性指标上，均显著超越了专为具身智能设计的专家模型。
- 能力涌现不再是空谈：研究确认了一项重要事实——具身动作表征无需完全依赖机器人采集的数据，它能够从人类视频数据中学习并涌现出来。
- 行业标准逐步形成：LARYBench被视为具身动作表征领域的“ImageNet”，今后研究者终于拥有了一套统一的度量工具。
详细分析
LARYBench：为具身智能打造一把标尺
在具身智能（Embodied AI）这一方向上，如何真正有效地表征“动作”一直是个棘手难题。美团技术团队此次推出的LARYBench，恰好填补了这一空白。作为一套系统化的评测基准，其核心目标非常明确——引导AI系统从海量、多样化的视觉数据中学习通用的隐式动作表征。这种表征并非针对某个具体任务的固定指令，而是一种能够在不同场景、不同任务间反复运用的基础能力。把它比作“具身智能领域的ImageNet”或许更易理解。LARYBench旨在为这一领域的动作学习建立统一的评价体系，今后任何算法的优劣都能放在同一把尺子上衡量。
通用模型 vs. 专家模型：一场范式较量
这项研究中最令人瞩目的，是通用视觉模型与具身专家模型之间的直接碰撞。此前业界普遍认为，针对特定任务训练的“专家模型”在控制精度上必然更高。然而LARYBench的实验结果直接推翻了这一直觉：通用视觉模型在动作泛化能力和控制精度两方面均占优势。这意味着，经过大规模、多样化视觉数据预训练的模型，其捕捉到的底层视觉特征与空间逻辑，能够更高效地转化为精准的动作控制能力。这种“通用压倒专业”的现象，暗示了一个关键趋势——具身智能或许无需从零构建一套完全独立的动作架构，深度复用现有的强大视觉感知能力完全可行。
人类视频：具身能力的“原料仓库”
具身智能的发展长期受制于一个瓶颈——机器人采集数据的成本过高、规模过小。LARYBench的研究结论指向了一个关键转折：具身动作表征完全可以海量的人类视频数据中涌现出来。人类视频天然蕴含着丰富的物理交互、空间变换和因果逻辑，尽管并非机器人视角拍摄，但通用模型完全有能力从中提取跨越主体的动作本质。这一发现为具身智能的训练数据来源打开了新的大门——互联网上那些海量的人类活动视频，都能转化为提升机器人动作泛化能力的宝贵资源。从方法论来看，这无疑会加速具身智能迈向通用化的进程。
行业影响
LARYBench的发布对整个具身智能行业具有深远影响。首先，它彻底改变了数据策略的重心——证明了人类视频数据在训练机器人动作表征方面的巨大潜力，这对缓解机器人领域长期存在的“数据饥渴”问题是一大利好。其次，它为模型架构的选择提供了明确方向，未来开发者在选型时会更多考虑如何利用通用大模型的能力来增强具身控制。最后，也是最重要的，有了LARYBench这种标准化评测工具，整个具身智能技术的迭代速度将显著加快，行业也将朝着更具泛化性、更高精度的动作表征方向演进。
常见问题
问题 1：LARYBench到底是什么？
LARYBench是美团技术团队发布的一套系统化评测基准，全称为Latent Action Representation Yielding Benchmark。其核心用途是评估AI模型从大规模视觉数据中学习通用隐式动作表征的能力。行业内部将其称为具身动作表征领域的“ImageNet”，这个比喻颇为贴切。
问题 2：为什么通用视觉模型在动作控制上反而比专家模型做得更好？
根据LARYBench的实验结果，通用视觉模型由于在规模化、多样化数据上进行了预训练，其特征提取能力和泛化能力天生更强。这种底层能力在处理复杂的具身动作时，能够提供比专门设计的专家模型更精准、更灵活的表征，因此在控制精度和泛化性上都表现得更优异。
问题 3：这项研究对机器人训练到底意味着什么？
研究结论非常明确：具身动作能力可以从人类视频数据中涌现出来。这意味着开发者完全能够利用现有的海量人类视频数据来训练模型，而无需再像过去那样依赖成本高昂、获取困难的机器人实机操作数据。这样一来，具身智能的研发门槛将大幅降低，模型的泛化水平也会随之提升。