脑子聪明，不等于手灵
给机器人装上最强的视觉语言模型，它就能把活干得更好——这几乎是具身智能领域过去两年最默认的假设。清华交叉信息研究院和阿里 Qwen 团队把这条假设拆开测了一遍，结论写在论文标题的动线里（VLM4VLA，arXiv 2601.03309）：VLM 的聪明程度，对下游机器人控制表现的预测力，差得出乎意料。
脑子聪明，不等于手灵
给机器人装上最强的视觉语言模型，它就能把活干得更好——这几乎是具身智能领域过去两年最默认的假设。清华交叉信息研究院和阿里 Qwen 团队把这条假设拆开测了一遍，结论写在论文标题的动线里（VLM4VLA，arXiv 2601.03309）：VLM 的聪明程度，对下游机器人控制表现的预测力，差得出乎意料。
实验设计很干净。研究者搭了一条最小适配管线：拿九个开源 VLM——Qwen2.5-VL 全系、Qwen3-VL 各个尺寸、Paligemma 两代、还有 Kosmos-2——逐个接到同一个机器人策略骨架上，只加一小撮新参数，其余照旧，保证比的是「脑子」本身而不是别的零件。然后在三个仿真环境里开考：Calvin、SimplerEnv、Libero。
成绩单推翻了直觉。SimlerEnv 的桌面抓放和 Libero 的长程任务上，得分最高的不是任何一个大模型，而是全场最小的 Kosmos-2——1.7B 参数，比 Qwen2.5-VL-7B 小四倍，两个榜都排第一：SimplerEnv 平均 60.4，Libero-10 拿 55.0，同时反超 Qwen 全家和 Paligemma。可到了 Calvin 连续任务上，排名又整个翻过来，QwenVL 系列显著领先。三个环境三套排序，通用能力榜的高分和机器人成绩之间，只在 Calvin 上有相关性，在另外两个环境里干脆不相关——而这些 VQA 榜的高分恰恰是各家选「脑子」时最看重的简历。
更扎心的是第二轮实验。既然通用能力不预测控制，那把脑子往具身方向补习呢？团队挑了七项辅助具身任务——具身问答、视觉指向、深度估计这类——给 VLM 逐个补课，再把补过课的脑子装回去。直觉说这下总该变强了吧。结果是七个科目全线白补：补课后的模型在 Calvin 上不涨反跌，掉幅从 0.009 到 0.096 不等。为考试刷的题，一道都没考。
那瓶颈到底在哪？消融给出了全文最值钱的一个定位：语言端怎么动都无所谓——词嵌入冻结还是微调，成绩几乎没有差别；真正的瓶颈在视觉编码器。研究者把控制相关的监督信号直接注进视觉编码器（用 FAST 动作分词器加训这一模块），然后再接下游：即便下游训练时这个编码器整个冻住不许动，成绩也稳定上涨；解冻之后一起练，SimplerEnv-Bridge 上从 27.6 涨到 45.7，十八个点。翻译一下：VLM 的视觉模块在预训练里学的任务是「看图说话」，而机器人需要的是「看图出手」，这两种视觉不是一回事，缺口大到值得单独开一门课。
顺着这条线还能看懂一个插件现象：以 Paligemma-1 为底座的 pi0，在不喂状态信息时表现和光杆底座差不多——动作专家这个外挂再精致，也被底座本身的视觉表征卡住了上限。
这篇论文挂在 arXiv 上是今年 1 月 6 日，五月底更新过一版，视频里当「最新」讲，其实已经九个月了。它的结论没有过时，反而随时间更硬：VLM 预训练是必要条件——从头训练的对照组全面垫底——但把 VQA 榜单排名当成机器人选脑子的依据，测出来的会是另一个东西。聪明解决的是「说不说得清」，控制要的是「手往哪放」，两者共享一双眼睛，却不共用一副眼镜。