Show-Harness: Just a VLM Agent Can Play Robots

Summary

Show-Harness 把机器人控制重写成一组离散语义动作单元（MV_FWD/ROTATE_CW/GRASP/DONE 等），VLM 每步只选一个单元，再由 embodiment-specific interpreter 确定性地把它落成一小段有界的 6-DoF 位姿更新——语义决策归模型、度量执行归解释器。同一接口既让 frontier VLM 零样本直接控制真机，也让 2B 开源模型用 LoRA 在两小时内学会同一动作空间：十个真机 pick-and-place 任务上 ZS (Gemini-3.1 Pro) 89.0% / FT (Qwen3.5-2B) 86.0%，对照 π₀.₅ 39.0%、GR00T 35.0%、最强 agentic baseline RATS 57.0%。最有信息量的不是主表而是 action-space ablation：把语义名换成任意符号、但保留文字写明的方向约定几乎不掉点（19/20 vs 20/20），去掉约定只留符号则崩到 1/20——真正起作用的是”写明的确定性映射”，而非”名字有语义”。

Problem & Motivation

现有两条路线各让出一半。VLA 把 VLM 微调成回归 embodiment-specific 连续动作的映射，广义语义知识被压进不透明的 pixel-to-actuation 通路，换任务族或换本体通常要重新采轨迹。Hierarchical 与 code-as-policy 走反方向，让 VLM 只产出 subgoal、keypoint、value map 或对手工 API 的程序调用，语义保住了但物理实现交给下游 controller——模型说了要什么，却看不见它是怎么被实现的，每种中间表示还都绑死在一套精心工程化的 grounding pipeline 上。

作者的判断是问题出在接口层：需要一个对 VLM 语义可读、同时对机器人又足够细粒度以支撑直接控制的动作空间。这个 framing 明确借自数字 agent——computer-use 与 game agent 早就通过鼠标、键盘、手柄这种人与模型共用的紧凑接口工作，导航的 benchmark 里离散方向原语也是原生的；真实世界的 manipulation 恰恰缺一个同等简单、且人和模型都能直接驱动的接口，因为控制通常是 embodiment-specific、高维且要求细粒度空间精度的。

Method

语义动作空间

动作空间 $\mathcal{A}$ 是一组紧凑的语义单元：MV_FWD/MV_BACK、MV_LEFT/MV_RIGHT、MV_UP/MV_DOWN 沿当前参考视角对应方向移动一步；ROTATE_CW/ROTATE_CCW 各配一个轴（$x$/$y$/$z$）做增量旋转；GRASP/RELEASE 开合夹爪；DONE 表示任务完成。设计围绕三条性质：incremental（每个单元只引起一次小的局部物理变化，让 VLM 通过可观察的动作效果留在控制回路里，靠连续修正达到精度）、interpretable 且 embodiment-agnostic（动作是符号而非数值目标，低层控制下沉给解释器）、visually grounded（方向相对可观测视角定义，空间推理可以直接映射到动作）。

Embodiment grounding

每个语义决策交给 embodiment-specific 解释器 $g_E$，按 Eq. 4 更新 6-DoF Cartesian 位姿 setpoint：

$s_{t+1}={\Pi }_E\left({\mathbf{x}}_t+{\sigma }_t{R}_E{d}_a,\exp \left({\theta }_t[R_E{r}_a{]}_{\times }\right)Q_t\right)$

${\sigma }_t$、${\theta }_t$ 是标定过的平移/旋转步长，$R_E$ 把语义方向映射到该本体的运动坐标系，${\Pi }_E$ 强制 workspace 与单步限幅（越界动作在执行前被拦下）。不同本体用不同底层控制器实现同一批语义单元——Franka 用阻抗控制跟踪 Cartesian setpoint，AgileX 走 IK 流式关节目标，仿真器发 operational-space 指令。换本体只需要写一个新解释器，模型面对的接口不变，这是全文所有 cross-embodiment / 变步长 / 动作组合结论的结构性来源。

Harness 插件

感知—推理—动作三阶段，每阶段挂可配置插件（Table 1）：

阶段	插件	作用
Perception	Multi-View Guidance	告诉 VLM 各路相机的角色与优先级（全局视角给场景上下文，腕部视角给精对齐证据）
	Proprioception	把夹爪高度、单步位移、contact 与夹爪状态转成文本反馈
Reasoning	Subtask Planning	维护有序 subtask 计划，完成判据必须视觉可验；子任务推进权归模型
	Situated Planning	把不确定分支挂起，等证据可观测时再 resolve 并更新剩余计划
	Action Chunking	目标尚远时降低查询频率，开环执行一小串动作
	Adaptive Step	远用大步、近用小步
	Visual Prompt	单独一次模型调用把模糊的语言目标转成视觉标记
Action	Action History	携带最近动作，抑制来回振荡
	Failure Recovery	检测空抓，重置夹爪并回滚到对应抓取子任务

默认全开，Situated Planning 与 Visual Prompt 按需启用。

两种模式与 GUMI

ZS mode 直接用 frontier VLM（默认 Gemini-3.1 Pro，medium thinking effort），不微调。FT mode 用 Qwen3.5-2B 在同一动作空间上做 token-level 交叉熵微调（Eq. 5），关键在于语义动作走模型原生词表，不加 action head 也不加 special token，因此 rank-64 LoRA、约 3% 参数就够；训练时故意只保留最小上下文 ${\mathcal{P}}_{\min }$（指令 + 多视角观测 + 短动作历史）以便做受控对比。

GUMI 是同一语义空间的 GUI 前端：每个单元对应一个按钮和一个键位，人可以用键盘”玩”机器人，computer-use agent 可以操作同一个 GUI，通用 VLM agent 可以直接预测单元。每步记录执行前观测与所选动作，产出 policy-ready 的 $(o_t,a_t)$；因为落地是确定性的，同一条演示还能同时保留底层轨迹，用来训练连续控制策略。不需要专用遥操作硬件，支持远程采集与人机混合（人可中途接管纠正 agent rollout）。

Key Results

设置：7-DoF Franka Research 3（exo + wrist 双视角）与双臂 AgileX（ego + 双腕三视角）。十个真机任务 = 五种物体（block / banana / tennis ball / teddy bear / chess piece）× 两种容器（plate / bowl），teddy 与 chess 对 FT 是 OOD。每任务 10 trials、随机摆放，episode 上限 50 步，超时算失败。训练语料 164 条真机 episode / 7,774 步（Franka 101/4,969，AgileX 63/2,805）+ 230 条仿真 episode / 13,523 步（ManiSkill 100、RoboLab 130），全部 2 cm 步长、全部经 GUMI 采集。

Table 2 三层泛化（成功率 %）：

Setting	π₀.₅	GR00T	H-VLA	G-VLA	CaP-X	RATS	ZS	FT
Cross-Task（10 任务）	39.0	35.0	50.0	13.0	44.0	57.0	89.0	86.0
Cross-Environment	40.0	34.0	63.8	15.0	52.5	65.0	100.0	88.0
Cross-Embodiment	41.0	36.0	49.0	11.0	43.0	52.0	93.0	87.0

Cross-Environment 的均值不可直接横比：Sim-to-real 一行只有 π₀.₅（0/20）、GR00T（0/20）和 FT（13/20）有数，ZS 与四个 agentic baseline 都是 ”–“。因此 ZS 的 100.0 是 4 类扰动 / 80 trials，FT 的 88.0 是 5 行 / 100 trials，H-VLA 的 63.8 也只覆盖 80 trials。只按共有的四行重算，π₀.₅ 是 50.0、GR00T 是 42.5——被拉低的恰好是唯二真跑了 sim-to-real 的两个 baseline。“ZS 100 vs FT 88”和”π₀.₅ 40 < CaP-X 52.5”两个读法都是分母假象；真正干净的结论是 sim-only 训练下 FT 13/20 而两个 VLA 全灭。

物理适应性（Sec. 5.3.1，均不重训）：

• 变步长：解释器步长 2 cm → 1 cm，block stacking 与 peg insertion 上 ZS 60%→82%、FT 40%→65%；π₀.₅ 用同样演示只有 18%，补了 fine-grained 训练才到 62%。⚠️ Figure 6 的柱标读作 ZS 60→80、π₀.₅ 15→60，与正文不一致（见 Ledger C5）。
• 动作组合：五个 Plate 任务上把两个正交平移合成一次对角位移，Fig. 6 标注步数降 26%（ZS）/ 24%（FT），成功率无明显下降。
• 旋转外推：胡萝卜抓取，每个旋转单元转 15°；FT 只见过 0° 与 45°，在未见的 90° 上仍有 70%，π₀.₅ 为 20%。
• workspace 平移：从核心 25%（S@1）扩到贴边 90%（S@3），Show-Harness 只轻微退化，π₀.₅ 急剧下跌。
• 双臂协同：AgileX 上 tidy the table 与 pass the banana 各 20 trials，联合预测双臂动作 vs 两个独立单臂 agent——tidy 70%(1 次碰撞)→90%(0)，pass banana 30%(3)→70%(0)。

语义适应性（Sec. 5.3.2）：三杯藏块 + 字母排 “SHOW” 两个需要先推理再操作的任务上，ZS 开 Situated Planning 达 85%，FT 与 π₀.₅ 单独只有 10% 和 0%；喂同一份 Gemini 生成的 subtask 指令后 FT 升到 70%，π₀.₅ 仍停在 5%。视频 in-context：只给 “tidy up” 指令时 ZS 只有 20%（顺序未指定），给一段人或机器人演示后 ZS 20/20，FT 正文称 95%（⚠️ Fig. 6 两根 FT 柱都标 90，见 Ledger C8）。

Ablations：

• 前沿模型与 thinking effort（Fig. 7）：零样本表现大体随底座能力上升；加大 thinking effort 主要是减少冗余交互步数，成功率增益很小，代价可观（GPT-5.6-sol 达 3.4× wall-clock）。所有模型 >98% 的回复都能产出合法动作单元；错误集中在精细抓取与放置而非规划，给出目标 bbox 还能继续提升。
• backbone scaling（Fig. 8）：2B 已经很强，更大模型主要帮 stacking / peg insertion 这类精细任务；1B 级别在目标附近反复微调导致 episode 变长；tennis ball 上小模型反而更好（及时纠正移动物体比绝对精度更重要）。
• 插件 leave-one-out（Fig. 9，Franka + Gemini-3.1 Pro，五个 Plate 任务）：去 Subtask Planning → 60%（模型常拖着物体走而不抬起）；关 Action Chunking 仍有 96% 但模型调用变多，全程强制 chunk 掉到 74%；Adaptive Step 默认配置 96% / 平均 30 步；去 Failure Recovery → 72%（主要失效模式是未检出的空抓）。另外两个按需插件在专项场景上（各 20 trials）：Visual Prompt 把 handle-aware grasping 从 40% 提到 85%，Situated Planning 把藏物搜索从 35% 提到 85%，且都在常规任务上无增益——支持其默认关闭的设计。
• 动作空间表示（Fig. 10，2×2）：(A) 语义名 + 文字约定（默认）20/20；(B) 只有语义名 18/20，可用但效率下降；(C) 任意符号 + 约定 19/20，几乎追平默认；(D) 只有任意符号 1/20，且模型自行探测推断出的映射只有 23.3% 正确。结论是约定提供了绝大部分 grounding，语义名主要起先验作用。

Evidence Ledger

Claim ID	Claim	Type	Source locator	Evidence excerpt	Status
C1	Cross-Task 均值：ZS 89.0 / FT 86.0 / RATS 57.0 / H-VLA 50.0 / CaP-X 44.0 / π₀.₅ 39.0 / GR00T 35.0 / G-VLA 13.0	number	Table 2, Cross-Task “Average (%)”, p.11	”Average (%) 39.0 35.0 50.0 13.0 44.0 57.0 89.0 86.0”	source-verified
C2	Cross-Environment 均值分母不一致：ZS 100.0 覆盖 4 行 / 80 trials，FT 88.0 覆盖 5 行 / 100 trials；只有 π₀.₅、GR00T 有 sim-to-real 行	benchmark-setting	Table 2, Cross-Environment block, p.11	”Sim-to-real 0 / 20 0 / 20 – – – – – 13 / 20 … Average (%) 40.0 34.0 63.8 15.0 52.5 65.0 100.0 88.0”	source-verified
C3	按共有四行重算 π₀.₅ = 50.0、GR00T = 42.5，而非表中 40.0 / 34.0	number	Table 2 逐格重算（11+9+10+10=40/80；10+9+7+8=34/80）	由 C2 表格数值直接推出	source-verified
C4	Cross-Embodiment：ZS Franka 48/50、AgileX 45/50（93.0）；FT 45/50、42/50（87.0）；RATS 52.0	number	Table 2, Cross-Embodiment block, p.11	”Franka … 48 / 50 45 / 50; AgileX … 45 / 50 42 / 50; Average (%) … 52.0 93.0 87.0”	source-verified
C5	步长 2 cm→1 cm 不重训：ZS 60%→82%、FT 40%→65%、π₀.₅ 18%（补训后 62%）	number	Sec 5.3.1, p.12（正文）vs Figure 6 “Fine-grained Control”, p.12	”This improves ZS from 60% to 82% and FT from 40% to 65%. In contrast, π0.5 achieves only 18%“	contradicted（论文内部不一致：Fig. 6 柱标为 ZS 60→80、π₀.₅ 15→60；仅 FT 40→65 两处一致。引用时须并列两个来源）
C6	旋转外推：单元 15°，FT 在未见 90° 达 70%，π₀.₅ 20%，训练只含 0°/45°	number	Sec 5.3.1 “Rotation extrapolation”, p.12（Fig. 6 一致）	“FT reaches 70% at the unseen 90◦ orientation … π0.5 reaches 20%“	source-verified
C7	推理密集任务：ZS+Situated Planning 85%，FT 10%、π₀.₅ 0%；给同一 subtask 指令后 FT 70%、π₀.₅ 5%	number	Sec 5.3.2, p.13（Fig. 6 一致）	“ZS with Situated Planning achieves 85%, while FT and π0.5 alone reach only 10% and 0%“	source-verified
C8	视频 in-context：ZS 无演示 20%、有演示 20/20；FT 95%	number	Sec 5.3.2, p.13（正文）vs Figure 6 “In-context Learning”, p.12	”ZS … succeeds in 20/20 trials from either source, while FT reaches 95%“	contradicted（ZS 部分文图一致；“FT 95%” 仅见正文，Fig. 6 两根 FT 柱均标 90）
C9	微调成本：rank-64 LoRA、约 3% 参数、40 epochs / 7.9K 单臂样本、单卡 H200 <2 小时	number	Sec 5.1, p.10 + Appendix 7.1, p.25	”updating only about 3% of parameters”; “less than 2 hours on a single H200”	source-verified
C10	语料：真机 164 ep / 7,774 步（Franka 101/4,969；AgileX 63/2,805），仿真 230 ep / 13,523 步；统一 2 cm 步长	number	Table 3 + Sec 7.2, p.25	”total 19 164 8.6 7774 47.4”; “All real-robot episodes are recorded … with the same 2 cm translation step size”	source-verified
C11	动作空间表示：(D) 任意符号无约定 1/20 且推断映射仅 23.3% 正确；(C) 符号+约定几乎追平 (A)	causal-mechanism	Sec 5.4.4 + Figure 10, p.16	”Setting (D) succeeds in only 1/20 episodes with only 23.3% of inferred mappings correct”	source-verified
C12	插件消融：无 Subtask Planning 60%；强制 chunk 74%；Adaptive Step 96% / 30 步；无 Failure Recovery 72%；Visual Prompt 40→85；Situated Planning 35→85	number	Sec 5.4.3 + Figure 9, p.15（专项场景 20 trials，p.14）	“Without planning, success drops to 60%”; “reduces success to 72%“	source-verified
C13	thinking effort 主要减步数而非提成功率，GPT-5.6-sol 达 3.4× wall-clock；>98% 回复产出合法动作单元	number	Sec 5.4.1, p.14	”little gain in success and can incur higher wall-clock cost (e.g., 3.4× for GPT-5.6-sol)“	source-verified
C14	π₀.₅ 与 GR00T 在”由同一批演示转换出的连续末端轨迹”上微调	benchmark-setting	Sec 5.1 “Baselines”, p.10	”both are fine-tuned on continuous end-effector trajectories converted from the same demonstrations used to train our VLM policy”	source-verified
C15	评测协议：每任务 10 trials、随机摆放、50 步上限、超时算失败	benchmark-setting	Sec 5.1 “Tasks and metrics”, p.10	”10 trials per task with randomized object placements. Episodes are capped at 50 steps, with timeouts counted as failures”	source-verified
C16	sim-to-real 设置下可训练方法只用 GUMI 采的仿真演示，在真 Franka 上评测	benchmark-setting	Sec 5.2, p.10	”trainable methods use only simulated demonstrations collected through the same GUMI interface and are evaluated on the real Franka”	source-verified
C17	代码 / 模型 / 数据集已释出（项目页 + HF 语料）	license-code	Title page, p.1 + Sec 7.2, p.25	”Website [Code & Model & Dataset] : https://showlab.github.io/Show-Harness”; “released at https://huggingface.co/showlab/Show-Harness-Data”	source-verified
C18	双臂联合预测 vs 独立单臂：tidy 70%(1)→90%(0)，pass banana 30%(3)→70%(0)	number	Sec 5.3.1 “Multi-arm coordination”, p.13 + Fig. 6, p.12	”Joint decision making substantially improves success on both tasks while eliminating collisions”	source-verified
C19	局限自述：只在单/双臂平行夹爪上评测；humanoid、灵巧手、tactile/force 反馈留作 future work	causal-mechanism	Sec 6, p.16	”evaluated primarily on single- and dual-arm manipulation with parallel-jaw grippers”	source-verified

19 条高风险 claim 中 17 条 source-verified，2 条（C5、C8）因论文正文与自家 Figure 6 数值冲突判为 contradicted，正文已并列两个来源。source-verified 仅表示原文确实这么写，不表示结果已被独立复现。

Strengths & Weaknesses

最有价值的是 action-space ablation，而不是主表。 大多数”接口论文”只能论证”我的接口好用”，Fig. 10 的 2×2 却把功劳定位到了具体成分上：任意符号 + 文字约定（19/20）几乎追平语义名 + 约定（20/20），而只给符号不给约定崩到 1/20、自主探测出的映射只有 23.3% 正确。这个结果反过来削弱了论文自己的 framing——起作用的不是”VLM 天然理解的语义”，而是”一份写明 token→物理效果的确定性说明书”。这条读法对 GUI agent 同样成立：与其纠结动作名是否自然，不如把每个可用操作的效果显式写进上下文。是全文最可迁移的一条。

把”语义决策”和”度量执行”拆开，确实买到了 VLA 结构上买不到的东西。 测试期把步长从 2 cm 改到 1 cm、把两个正交平移合成对角位移、把 15° 单元叠到未见的 90°——全都只改解释器，模型一行不重训。π₀.₅ 在同数据下只有 18%、要补 fine-grained 训练才到 62%（C5，注意文图不一致），对比很干净。sim-only 训练下 FT 13/20 而 π₀.₅ / GR00T 全灭，也是同一机制的推论：语义单元对渲染器不变，连续轨迹不是。

但演示数据的转换方式是主对比最大的隐患。 所有演示都是通过 GUMI 在 2 cm 量化的语义空间里采的（键盘或 frontier-VLM rollout），π₀.₅ 与 GR00T 训练用的连续轨迹是从这些量化动作序列转换回去的（C14）。这意味着 VLA baseline 拿到的是阶梯状、非人类遥操作节律的轨迹——恰好是它们分布外的那种数据。作者把这称作 “controlled comparison”，但受控的是数据内容，不是数据形态，而形态正是 VLA 依赖的东西。论文没有跑”真·遥操作演示训 VLA vs GUMI 演示训 Show-Harness”这一组，所以主表里 39.0 vs 89.0 的差距有多少来自范式、多少来自数据格式不对口，目前无法拆开。这是我对本文最主要的保留。

成本没有对齐。 ZS 每一步都调一次 Gemini-3.1 Pro（medium thinking effort，episode 上限 50 步），π₀.₅ 是控制频率上的单次前向。论文报了 steps/episode 和一处 3.4× wall-clock，但没有对 VLA baseline 给出每 episode 的延迟或 API 成本，于是”outperforming representative VLA paradigms”掩掉了量级差的推理预算。2 cm 步长也意味着这是准静态运动；最接近动态的 tennis ball 恰好是 ZS 最弱的两列（8/10、7/10），提示范式的边界可能就在需要连续速度调制的地方。

任务族偏窄，“cross-task”名不副实。 十个任务是 5 物体 × 2 容器的 pick-and-place 变体，所谓跨任务泛化是换物体—容器组合，不是换任务结构。而离散 ±xyz + 绕轴旋转的词表能否表达 wiping、pouring、compliant insertion 这类需要力调制或连续速度的行为，本身就存疑——论文的 limitation 只提到 humanoid 与灵巧手（C19），没有正面承认动作词表的表达力边界。

统计强度弱，且 ZS 结果不可复现。 每任务 10 trials，多数子实验 20 trials，无 error bar、无重复 run；Cross-Task 上 ZS 89 vs FT 86 在 n=100 下完全落在噪声里，插件消融里 96% vs 96% 这类差异更是个位数计数。ZS 一支绑在闭源 API 上，Fig. 7 自己显示表现随底座能力漂移，意味着这些数字随时间不可重放。

GUMI 的评估欠账。 作为独立贡献它没有被测量：没有与常规遥操作的采集吞吐对比，没有数据质量对比，也没有回答”2 cm 量化是否损害了下游连续策略”——而这恰恰是上面那条数据形态隐患的另一面。

领域位置。 与 2608-Zetta 放在一起看很有意思：两者都叫 embodied harness、都主张”不动权重、改 harness”，但 Zetta 把 VLA 当被编排的执行器、在 action chunk 层做 critic 与 recovery，Show-Harness 干脆取消了 VLA，让 VLM 自己承担每一步物理决策。两条路线对”VLM 能否直接负责细粒度物理决策”给出了相反的赌注，值得追踪谁先撞墙。

Mind Map

mindmap
  root((Show-Harness))
    Problem
      VLA 把语义压成不透明 pixel-to-actuation
      Hierarchical 保住语义但交出物理执行
      缺一个语义可读且足够细粒度的接口
    Method
      语义动作单元
        MV/ROTATE/GRASP/DONE
        incremental + embodiment-agnostic + visually grounded
      Embodiment interpreter
        Eq.4 确定性落到 6-DoF setpoint
        换本体只写新解释器
      Harness 插件
        Perception: MultiView / Proprioception
        Reasoning: Subtask / Situated / Chunking / AdaptiveStep / VisualPrompt
        Action: History / FailureRecovery
      两种模式
        ZS: Gemini-3.1 Pro 零样本
        FT: Qwen3.5-2B LoRA 3% 参数
      GUMI
        同一动作空间的 GUI 采集
        人 / agent / 混合，无需遥操作硬件
    Results
      Cross-Task ZS 89.0 FT 86.0 vs RATS 57.0
      Sim-only 训练 FT 13/20，VLA 0/20
      步长 2cm→1cm 不重训即提升
      旋转外推未见 90° 达 70%
      符号+约定≈语义名+约定，无约定崩到 1/20
    Caveats
      Cross-Env 均值分母不一致
      VLA baseline 训在量化转换的轨迹上
      推理预算未对齐
      任务全是 pick-and-place 变体

Notes

• 最想追的一条：Fig. 10 的结论若成立，“约定文本”本身就是一个可优化对象——能不能把 convention 当成可学习/可搜索的对象，让 agent 在少量交互里自己写出比人写的更好的动作说明书？设定 (D) 里模型自主探测只得到 23.3% 正确映射，说明纯 trial-and-error 推断很弱，但那是零先验、无结构探索。介于 (C) 和 (D) 之间的”给少量约定 + 允许主动探测补全”是个空白点。
• 需要验证的怀疑：VLA baseline 的轨迹是从 2 cm 量化动作转换而来（C14）。想知道 π₀.₅ 在同一批任务上、用常规遥操作采的等量演示训练能到多少。如果差距大幅收窄，主表的解读要改写。项目已放出数据（C17），这件事是可查的——值得挂一轮 repo-digest 看采集与转换代码。
• 与 GUI 的连线：论文自己承认动作空间设计借自 computer-use / game agent。反向迁移的那条更值钱：GUI agent 的 action space 长期在”高层语义动作 vs 低层坐标点击”之间摇摆，Fig. 10 提示决定性因素可能是动作效果是否被显式写明且确定性可复现，而不是抽象层级本身。可以在 CUA-Survey 里作为 interface-design 的一条外部证据。
• 未解：workspace shift 的具体数值只在 Fig. 6 的柱图里，正文只给定性描述；此处未采信任何精确数字。
• 相关笔记：2608-Zetta（另一种 embodied harness，编排 VLA 而非取消它）、2504-Pi05 / 2503-GR00TN1（被对比的 VLA baseline）、2307-VoxPoser（code-as-policy 前身）、2510-GeminiRobotics15（VLA + embodied reasoning 的混合路线）、2609-HarnessDev（把 harness 本身当评测对象，数字域）。