点击下方卡片关注“CVer”公众号AI/CV重磅干货第一时间送达【具身智能】微信群成立大家快扫码加入具身星球将获得最新具身智能技术和项目、❤️ 从入门到精通的学习路线、 具身智能招聘(实习/校招/社招/升学)、具身智能公司名单和高校实验室/教师名单和 行业动态和行业报告等。▲【具身智能】微信群转载自机器之心现有 VLA 模型的研究和基准测试多局限于家庭场景如整理餐桌、折叠衣物缺乏对专业科学场景尤其是生物实验室的适配。生物实验室具有实验流程结构化、操作精度要求高、多模态交互复杂透明容器、数字界面等特点是评估 VLA 模型精准操作、视觉推理和指令遵循能力的理想场景之一。近期来自香港大学MMLAB 罗平老师团队和上海交大穆尧老师团队的工作——Autobio 正式被 ICLR 2026 接收并获得了 8-8-6-6 的同行评议分数。AutoBio 是一个面向数字化生物实验室的机器人仿真系统与基准测试平台。我们通过这篇工作尝试系统性回答一个关键问题当前主流的视觉 - 语言 - 动作Vision-Language-Action, VLA模型是否已经具备在真实生物实验室中执行实验流程的能力论文标题AutoBio: A Simulation and Benchmark for Robotic Automation in Digital Biology Laboratory论文链接https://openreview.net/forum?idUUE6HEtjhu论文代码https://github.com/autobio-bench/AutoBiohttps://huggingface.co/autobio-bench一研究背景为何生物实验室构成关键挑战与日常操作环境相比生物实验室在机器人自动化层面呈现出一组高度耦合的挑战首先实验操作通常具有长时序和强约束特征。即便单步动作相对简单其组合往往构成对顺序一致性和状态依赖高度敏感的完整实验流程。其次实验器材大多数为交互式广泛采用螺纹、卡扣、分档旋钮等精细机械结构对位姿控制和轨迹规划提出远高于常规操作的要求。此外液体样本与透明容器的普遍存在对视觉感知提出了更大的挑战而这类场景在现有仿真与评测体系中长期被简化或忽略。上述因素共同导致即便在家庭或工业场景中表现良好的模型也可能在实验室任务中迅速失效。这一现象表明现有基准并不足以反映模型在科研场景下的真实能力边界。二AutoBio 的核心设计思想如上图AutoBio 并非简单复刻实验室环境而是从实验流程本身出发提出一种以生物实验语义为中心的建模与评测范式。我们将复杂实验操作抽象为一组生物实验原语biological primitives例如样本转移、混合反应、条件调控、分离与保存等。这些原语进一步映射为可执行的机器人运动与控制模块并在统一的仿真环境中进行组合。在系统层面AutoBio 由三部分构成面向真实实验室的高保真仿真系统覆盖多难度等级的标准化实验任务基准与 VLA 模型直接兼容的数据生成、训练与评测接口。这一设计使 AutoBio 能够在保持实验语义一致性的前提下对不同模型进行可复现、可对比的系统评估。三一个真正 “像实验室” 的仿真系统为了让机器人面对的环境尽可能接近真实实验室AutoBio 在仿真层面进行了多项针对性扩展1. 实验仪器的数字化建模为确保实验操作的真实性AutoBio 引入了一套从真实仪器到仿真资产的系统化建模流程。通过多视角视频采集与 3D Gaussian Splatting 重建我们获得高保真的几何与外观表示并结合 CAD 建模与结构标注生成可用于物理仿真的数字仪器模型。该流程兼顾了视觉真实性与物理可交互性避免了传统手工建模在复杂结构与真实比例上的偏差。2. 实验室专用物理机制标准物理引擎往往难以直接覆盖实验室中常见的交互模式。为此AutoBio 针对生物实验高频操作扩展了一系列物理机制包括但不限于基于螺纹结构的旋拧与自锁建模具有离散阻尼特性的分档旋钮偏心机构驱动的周期性振荡面向液体样本的准静态液面建模。这些机制使仿真环境能够更准确地反映实验操作中的关键物理约束从而避免模型在评测中依赖不现实的 “捷径策略”。3. 面向视觉模型的渲染与界面支持考虑到 VLA 模型高度依赖视觉输入AutoBio 在渲染层面引入了基于物理的渲染PBR管线以提升透明材料、液体以及仪器表面的视觉真实性。同时系统支持仪器数字界面的动态渲染使机器人能够通过视觉信号读取参数、识别状态变化并执行相应操作。这一能力对于涉及人机界面的实验任务尤为关键。四、AutoBio Benchmark从实验流程到评测任务基于上述仿真能力AutoBio 构建了一个包含 16 个任务的评测基准覆盖三个难度等级简单任务单步或低精度操作如打开或关闭仪器盖中等任务需要一定精度和语言理解能力如拧开离心管、样本转移困难任务涉及多模态推理如读取屏幕参数并精确调节实验设备。每个任务均支持自动化专家轨迹生成、随机化初始条件以及统一的成功判定机制使不同模型能够在一致条件下进行公平比较。五、当前模型的能力边界我们系统评测了多种主流开源 VLA 模型。实验结果如下图在简单任务上模型已表现出较高成功率当任务涉及高精度装配、液体判断或屏幕读数时成功率显著下降失败往往源于细节误差的持续累积而非对任务的完全误解。这一结果揭示出当前模型在高精度操作、细粒度视觉推理以及长期实验流程建模方面仍存在显著不足也进一步验证了 AutoBio 在刻画真实科研场景挑战方面的必要性。六、总结AutoBio 提供了一个面向生物实验室的统一仿真与评测框架使研究者能够系统性分析机器人在真实科研场景中的能力与局限。我们的目标并非给出最终解决方案而是通过清晰的问题定义和可复现的评测体系为通用机器人走向科研自动化提供一个坚实的起点。随着模型架构、训练范式与跨模态推理能力的持续发展我们希望 AutoBio 能够成为连接机器人学习与生命科学自动化的重要基础设施。【具身智能】学习路线发布扫描下方二维码加群后即可领取学习【具身智能】知识星球优惠券链接https://t.zsxq.com/KVLEe【具身智能】vip 微信交流群成立还有 vip 微信交流群已加入【具身智能】知识星球的同学一定要扫描下方二维码添加具身智能小助手的微信微信号EAI0011她会拉你进【具身智能】 vip 微信交流群还可以第一时间从她的朋友圈获取本星球的所有内容推送更方便大家学习。点击阅读原文加入具身学习群