HumanCLAW：VLM 能否驾驭一具身体

视频加载中

视频加载中

HumanCLAW 在 41 个室内场景、1,218 项长程任务中把底层控制误差剥离出去：冻结的 VLM 每 0.5 秒从第一视角选一个参数化全身技能，预训练运动生成器负责执行，因此失败即决策失败。坐下成功率在不同模型间从 90% 跌到 3.5%，碰撞集中在模型看不见的腿脚部位。