模型可以判断应当接住落物，手却可能停在落点半米外。9 月 9 日提交的 ReactHuman 论文把这类差错放进物理仿真：七个多模态模型看完突发事件的短片，交出移动和伸手计划，再由仿真人形机器人执行。论文报告，在正确选择“接住”的决策中，手与物体落点仍有 0.48 米的中位偏差。对考虑把通用模型放进机器人决策环的团队，这比它能否说出“应该接住”更接近实际问题。
暂停场景，让模型交出能执行的动作
ReactHuman 覆盖物体掉落、家具倾倒、门猛然摆动、连锁碰撞等 17 类事件。研究者用语言模型选择物体和房间，再以随机种子决定位置、速度、摩擦与摄像机参数；Genesis 刚体仿真以 240Hz 运行，产生三路视角和用于评分的轨迹信息。模型通常先看约 0.6 秒的事件画面，仿真随后暂停，等待它输出行走速度、手部关键帧、意图与置信度。
提交计划后，模拟的 Unitree G1 恢复运动：预训练行走控制器管下肢，脚本层带动上肢。系统依据运动计划判定机器人是在接、躲，还是没有行动；实际执行还会显示手是否碰到物体、身体是否离开撞击区域。暂停仿真排除了不同模型 API 响应时间的影响，因此这里测的是同一决策时点的计划质量，尚未测真实设备必须承担的推理延迟。
这项工作的增量是把短时突发危险和空间落点放在同一套评测里。此前的 IS-Bench 已用可交互家庭任务检查风险缓解动作的先后顺序；ReactHuman 则把时间窗口缩到事件发生后约 0.6 秒，并要求模型给出可执行的移动轨迹。它也没有测试专门训练的视觉—语言—动作模型：论文中的七个对象是经统一接口调用的通用多模态模型。
“三分之一出错”只对应需要闪避的场景
论文从场景池中选出 306 个场景，每类 18 个，让七个模型各作一次决策；扣除四次 API 错误，共记录 2138 次决策。正确动作在评测子集中分为接住 141 个、闪避 156 个、不行动 9 个。五项指标分别检查动作类别、是否违反安全规则、手部终点距落点的距离、文本意图与动作是否一致，以及手在整条轨迹中是否靠近落点。
最需要辨明的是摘要里“约三分之一危险处置失误”的口径：论文正文报告，应当闪避的场景中，35.9% 的模型决策违反安全规则。在全部有效决策中，研究者记录 410 次违规，约占 19.2%；七个模型的平均动作类别准确率为 54.0%。这三个数字衡量的对象不同，不能合并成“家用机器人三分之一时间会造成事故”。即使只看动作类别，评测集总是选择“闪避”也能得到 51.0% 的准确率，因此接住与闪避两类必须拆开审视。
论文发现六个模型更倾向后退，另一个模型更愿意接；这种固定偏好能让一类场景得分较高，却会在另一类场景失手。小模型在这组测试中也没有持续落后于较大的模型。该结论只限于七个指定 API 版本、同一提示词与这 306 个模拟场景，不能推出模型规模对所有机器人安全任务无效。
选对“接住”，手也可能够不到
动作类别正确仍会掩盖空间误差。论文称，在正确选择接住的决策中，手部落点与目标落点的中位距离为 0.48 米；相关未接住案例里，89% 的手伸得不够远，近半数决策时机器人站在 0.8 米以外。模型给出伸手动作，却没有配合足够的移动，结果是语义判断正确、物理拦截失败。
另一组实验把物体外观与真实物理属性对调：泡沫制的重物外观、钢制的苹果外观等，要求模型根据运动线索而非外形决定反应。论文报告，40 个此类场景形成的 280 次决策中，没有模型在意图文本里质疑物体材质或重量；它们对伪装物的处理接近对真实外观物的处理。这个观察说明外观先验在这组测试中压过了运动信息，但意图指标本身采用关键词匹配，不能单靠“没有说出质疑”断定模型内部完全没有识别异常。
公开数据能核对场景组成，暂不能重算模型成绩
论文指向的 Hugging Face 数据仓库是元数据版。逐行核对公开的 metadata.jsonl，可数出 1054 个场景、17 类事件，以及 40 个标记为外观与物理冲突的场景；四档速度分别有 266、266、264、258 个。仓库没有提供用于这 306 个评测场景的模型输出与执行视频，因此这些元数据足以核对场景构成，尚不能独立重算 35.9% 的安全违规率或半米偏差。
还需要澄清版本关系：数据卡把第三类标准动作写作 BRACE_FOR_IMPACT，共 324 个；论文评测协议则使用 No_Action，其 306 个场景中仅 9 个以不行动为正确答案。两套标签和样本数量不能直接合并，公开材料也没有给出它们之间的映射。对准备复用基准的团队，先确定评测集、动作定义和视频版本，比照搬论文成绩更要紧。
ReactHuman 揭示了一个可操作的评测缺口：机器人安全决策不能止于选对“接”或“躲”，还要检查移动距离、拦截点和危险是否真的避开。下一步若要把它用于真机准入，需要公开可复核的评测轨迹，并把推理延迟、连续观察、柔性或易碎物体和真实控制器纳入测试；现有成绩仍是一次暂停观察、一次开放环计划在刚体仿真中的结果。
