作者介绍：刘梦源，北京大学深圳研究生院研究员，研究领域为人类行为理解与机器人技能学习；盛举义，北京大学在读博士研究生，研究方向为机器人操作技能学习方法研究；王梓懿、李培铭，北京大学在读硕士研究生，研究方向为视频理解分析；徐天铭，北京大学在读硕士研究生，研究方向为机器人操作技能学习方法研究；徐天添，中国科学院深圳先进技术研究院集成所研究员，研究领域为磁控微型机器人导航、机器人的协同控制等；刘宏，北京大学深圳研究生院教授，研究领域为计算机视觉与智能机器人、机器学习与智能人机交互。
- 论文标题：Trustworthy Evaluation of Robotic Manipulation: A New Benchmark and AutoEval Methods
- 论文链接:https://arxiv.org/abs/2601.18723
- 代码链接: https://github.com/LogSSim/TERM-Bench
随着 Vision-Action (VA) 和 Vision-Language-Action (VLA) 模型的爆发，机器人模仿学习取得了长足进步。然而，当前的评估体系却面临着严重的「信任危机」。现有的评估范式主要依赖二元的「成功率（Success Rate）」，这种简单的指标掩盖了两个关键问题：
- 执行质量的模糊性（Gap 1）：同样是「成功」完成任务，模型 A 可能动作僵硬、伴随剧烈抖动（Jerky Success），而模型 B 则行云流水。传统的二元评价无法区分二者，导致潜在的安全隐患被忽视。
- 来源的模糊性（Gap 2）：在一些已有的展示视频中，不仅难以判断动作是否由真正的自主策略生成，甚至难以分辨其是否由人类远程操作（Teleoperation）「冒充」。
为了解决上述评估信任危机，北大与中科院团队提出了一套完整的解决方案：Eval-Actions 评估基准与 AutoEval 自动化评估架构。该方案旨在从「细粒度动作质量」和「来源真实性」两个维度，重塑机器人操作的评估标准。
图 1 (上) 评估危机：现有二元指标掩盖了执行质量（如「抖动成功」与「平滑成功」的区别）和来源真实性（难以区分策略生成与人类遥操作）的模糊性。 (下) 解决方案：Eval-Actions 基准与 AutoEval 架构（绿色部分）相结合，填补了这两大空白，实现了精准的细粒度质量评估与鲁棒的来源验证，显著优于传统的通用 VLM（红色部分）。
填补空白：首个面向评估完整性的 Eval-Actions 基准
表格 1 机器人操作数据集的对比分析。与以模型训练为核心、追求原始轨迹数据量最大化的数据集不同，Eval-Actions 以标注密度最大化为设计目标，独有的优势在于提供故障场景数据、混合轨迹数据源。
为了打破现有数据集仅关注「成功演示」的局限，研究团队构建了 Eval-Actions 基准。与 Open X-Embodiment 等以训练为目的的数据集不同，Eval-Actions 专为诊断性评估而生。
- 包含失败场景：数据集不仅包含成功的轨迹，还创新性地引入了约 2.8k 条失败数据。这对于模型学习错误恢复和鲁棒的失败检测至关重要 。
- 混合来源验证：数据集混合了人类遥操作数据与多种策略（VA 及 VLA 模型）生成的轨迹，为验证「来源真实性」提供了数据基础。
- 多维监督信号：提供了专家评分（Expert Grading）、排序引导（Rank-Guided）以及思维链（Chain-of-Thought, CoT）三种层次的注释，支持从数值评分到逻辑推理的全方位评估。
图 2 Eval-Actions 基准概览。包含从单臂到双臂的 150 + 任务，并提供细粒度的质量雷达图与 CoT 注释。
AutoEval：双引擎驱动的自动化评估专家
为了实现对机器人行为的精准诊断，团队设计了 AutoEval 框架。它并未采用单一模型，而是针对不同的评估维度，创新性地提出了 AutoEval-S 和 AutoEval-P 两种架构，分别解决「看不清细节」和「胡乱推理」的难题。
1. AutoEval-S：精准捕捉动作细节
传统的 VLA 模型往往只能处理稀疏的关键帧，容易遗漏动作执行过程中的抖动或停顿。AutoEval-S（Small）引入了时空聚合策略（Spatio-Temporal Aggregation）。
- 高频细节压缩：它并没有简单丢弃中间帧，而是将高频的运动细节「压缩」 进视觉 Token 中，最大化了时间信息的密度。
- 物理信号校准：辅以运动学校准信号（Kinematic Calibration Signal），直接利用速度和加速度方差等物理数据来校准视觉评估，确保评分精准反映动作的平滑度与安全性。
2. AutoEval-P：具备逻辑推理能力的「考官」
当需要模型输出思维链（CoT）进行解释时，传统模型常出现「幻觉」，即推理逻辑与打分不一致（例如嘴上说「动作完美」，实际上物体已经掉了）。AutoEval-P（Plus）引入了组相对策略优化（GRPO）范式。
- 强制言行一致：通过强化学习，AutoEval-P 被训练在生成评分的同时，必须给出逻辑自洽的物理推理。其混合奖励函数（Hybrid Reward Function）同时约束内容的准确性和格式的规范性，有效消除了大模型的推理幻觉。
图 3 上分支 (AutoEval-S)：专为评分与排序设计。采用时空聚合策略将高频运动细节压缩至视觉 Token，并辅以物理校准信号，精准捕捉动作中的细微抖动。下分支 (AutoEval-P)：专为思维链（CoT）推理设计。引入 GRPO 强化学习范式，通过混合奖励函数（内容 + 格式）强制模型生成逻辑自洽的物理推理与评分，有效解决大模型的「幻觉」问题 。
实验结果：树立可信评估新标准
在 Eval-Actions Small (EAS) 子集上的广泛实验表明，AutoEval 框架在多项指标上展现出卓越性能，全面超越了 InternVL、QwenVL 等通用大模型 。
1. 极高的来源辨别力：让「造假」无处遁形
AutoEval 能够以 99.6% 的准确率区分视频是来自真实的策略生成还是人类遥操作，有效解决了「来源模糊性」问题，为机器人社区提供了一套权威的防伪工具。
2. 细粒度评分高度对齐人类
在衡量动作平滑度、安全性和效率的综合质量评分上，AutoEval-S 与人类专家的判断高度一致。
- 在专家评分（EG）协议下，SRCC 达到 0.81 。
- 在排序引导（RG）协议下，SRCC 高达 0.84，显著优于未微调的 InternVL3.5-4B (SRCC ≈ 0.02) 和 QwenVL3-4B。
表格 2 Eval-Actions 基准上的性能对比 在专家评分（EG）、排序引导（RG）及思维链（CoT）三种协议下，AutoEval 均取得了 SOTA 性能。特别是在 RG 协议下，AutoEval-S 的评分相关性（SRCC）达到 0.84，来源预测准确率高达 99.6%，远超未微调的 InternVL 和 QwenVL 等基线模型。
图 4 细粒度动作质量评估的定性对比
3. 跨构型泛化能力
即使在未见过的 Franka 机器人数据上，AutoEval 依然保持了稳健的评估能力。AutoEval-S 在新形态机器人上仍能达到 0.75 的评分相关性（SRCC）和 90% 的来源预测准确率，展现了强大的跨实体泛化潜力 。
表格 3 AutoEval 在未见构型 Franka 机械臂数据上的泛化实验结果
4. 区分远程操作和策略执行视频
