在人与机器不断走近的今天， 人机交互却常 常面临这样的困境：当桌上放着多个 不同 杯子时，如果对设备 说 "把杯子给我"，它可能会随意拿起一个 （ 但不是那个最合适的 ） ，或者干脆无法响应。这类场景，正 反映出当前智能系统在理解模糊指令时的能力局限。 人类之间的交流，往往依赖语境与默契，大量表达在字面上并不完整。例如我们常说 "一会儿提醒我"（具体 什么时间？）、"把空调开大点"（开大多少？）、"找个最近的店"（依据步行还是驾车？）。 对人而言，这 类信息缺口很容易通过追问或推断来补全；但对机器而言，模糊即意味着无法执行。 传统自动化系统往往只 能响应明确、结构化的指令，而未来的智能体，必须学会在模糊中主动沟通，在协作中完成任务。 这一挑战也推动着智能体从 "被动执行者"向"主动协作者"的角色转变 。 具身智能体的发展目标，是成为人 类在物理世界中的合作伙伴，而非停留在脚本定式的工具。与虚拟环境中的 AI 不同，具身智能体必须应对现 实场景的开放性与不确定性。无论是在家庭、工厂还是公共空间中，它们都面临一个根本性的新课题：如何与 人进行高效、自然、双向的协同作业。 近年来，视觉 - 语言 - 动作模型（ V ...