这篇立场论文由 Taozhao Chen、Ian Manchester 与 Huaming Chen 撰写，于 2026 年 6 月 28 日提交至 arXiv，归类为机器人学（cs.RO）与人工智能（cs.AI）。论文的核心主张并非否定视觉-语言模型在机器人领域的作用，而是质疑当前对视觉-语言-动作（VLA）系统能力的一种流行解读：即从互联网规模数据中学到的语义表示可以迁移到物理执行层面，从而支撑物理动作决策的泛化。作者认为，这一假设既没有被独立验证，也无法在现有的评测协议下得到检验。
为了支撑这一论点，作者把 VLA 策略分解为两个功能部分：语义映射与物理动作决策。语义映射负责把视觉与语言输入对应到任务语义，而物理动作决策则负责在真实动力学约束下选择并执行动作。论文指出，当前占主导地位的评测指标——任务成功率——无法区分这两类能力来源。一个系统在基准上取得更高成功率，可能来自更准确的语义匹配，也可能来自测试分布与训练分布的重叠，还可能来自真正意义上的物理泛化。既然同一结果可以对应多种相互竞争的解释，那么把性能提升直接等同于物理推理或物理泛化能力的进步，在逻辑上就是不成立的。
作者进一步提出"叙事漂移"这一概念，用来描述该问题的累积机制。由于评测无法隔离出底层的因果机制，后续系统往往会继承并强化此前对性能提升的既有解读，把语义层面的进步逐步叙述为物理能力的进步。这种叙事在论文社区与产品宣传中不断自我强化，使得可识别性的缺口不但没有被修补，反而被层层叠加的解读所掩盖。作者强调，问题并不在于研究者有意夸大，而在于评测设计本身无法提供足以支撑因果归因的证据。
针对这一局限，论文提出了一条以评测设计为核心的研究方向：引入受控变量的实验设计，分别测量语义泛化与物理泛化。这类设计的关键在于，通过对输入、环境或任务分布施加可控变化，使研究者能够把性能表现因果性地归因到具体能力来源，而无需访问模型内部结构。作者认为，这样的方法还能在实证层面检验 VLM 主干究竟扮演的是"语义接口"的角色，还是被默认为物理能力的隐含来源。
论文的结论具有明确的范围界定：其目标不是反驳 VLM 在机器人系统中的地位，而是厘清在什么条件下"物理泛化"的主张才能被有意义地评估。对于依赖基准成功率来宣称具身智能进展的研究者与产业界而言，这篇立场论文提示了一个方法论层面的基本要求——在把语义能力当作物理能力的证据之前，评测协议本身必须先具备区分二者的能力。