七、评估：离线指标不够用了
VLM 的评估相对成熟：VQA 准确率、Caption 的 BLEU/ROUGE 分数、grounding 的 IoU，都有标准做法。
VLA 的评估就麻烦得多。任务成功率是最常用的指标，但光看成功率会漏掉很多重要信息：
- 任务失败了，是因为感知错了还是动作生成错了？
- 环境稍微变一下（换个光照、换个背景），模型还能工作吗？
- 动作的执行效率高不高？绕了远路也算成功，但没人想要这样的机器人。
- 出错了能不能自己恢复？还是直接卡死？
---
八、当前的瓶颈和接下来的方向
VLM 这边，主要问题是幻觉、对齐、公平性。模型会自信地胡说——图里没有的东西，它描述得有鼻子有眼。
VLA 这边，问题更分散： 1. 数据稀缺：真实机器人数据太难采集，这是最根本的瓶颈。 2. Sim2Real 差距：仿真里训好的模型，搬到真实机器人上性能会掉。 3. 安全验证：怎么保证 VLA 的输出不会导致危险动作？ 4. 延迟 vs 性能的平衡：模型越大效果越好，但越大越慢。