UESF-Bench：统一具身搜索与跟随基准测试，推动具身智能新方向
核心事件
2026年7月15日，一篇题为《UESF-Bench: Benchmarking and Probing for Unified Embodied Seeking and Following》的论文提交至arXiv（编号2607.13621），提出了一项面向具身智能体"搜索并跟随"任务的统一基准测试框架。
问题背景
语言引导的人类跟随是具身智能体的重要能力之一。然而，现有基准测试通常假设目标人物在回合开始时即可见，这种设定简化了问题，却忽视了一个更现实的场景：智能体往往需要先找到由语言描述的目标，然后在动态环境中持续跟随。
尽管近期研究开始关注人类搜索任务，但这些评估通常局限于特定任务场景，且依赖较强的环境先验知识。此外，现有工作大多将搜索和跟随视为独立任务，缺乏统一的基准进行系统评估。
UESF-Bench 的核心设计
为解决上述局限，研究者提出了统一具身搜索与跟随基准测试（UESF-Bench），这是一个大规模、多样化的基准测试平台。该基准要求智能体完成三项关键能力：
- 语义引导的探索（Semantic-guided exploration）——根据语言指令在环境中主动搜索目标
- 可靠的行为切换与恢复（Reliable behavior switching and recovery）——在搜索与跟随阶段之间平滑过渡
- 延迟身份定位（Delayed identity grounding）——通过语言描述识别并锁定目标身份
模型方案：SeekFollow-VLA
作为对该基准的初步回应，研究者提出了 SeekFollow-VLA，一种基于视觉-语言-动作（VLA）框架的方法。其核心创新包括：
- 任务驱动的路由机制：用于潜在阶段的推理
- 阶段转换建模：在搜索和跟随两个阶段之间建立可学习的过渡模型
实验结果显示，SeekFollow-VLA 在单人环境和多人环境中均优于单头（single-head）和双头（dual-head）基线方法。
数据与资源
| 项目 | 信息 |
|---|---|
| arXiv 编号 | 2607.13621 |
| 提交日期 | 2026年7月15日 09:09:25 UTC |
| 论文大小 | 2,702 KB |
| 分类 | cs.AI（人工智能） |
| 论文链接 | https://arxiv.org/abs/2607.13621 |
| HTML 版本 | https://arxiv.org/html/2607.13621v1 |
| DOI | https://doi.org/10.48550/arXiv.2607.13621 |
| 许可协议 | CC BY 4.0 |
作者团队
论文由以下10位作者共同完成：
Kun Yu、Jianhua Yang、Yixiang Chen、Changwei Wang、Hongyuan Yu、Yan Huang、Fushuo Huo、Ya Jing、Zhumin Chen、Keji He。
分析
为什么这个方向值得关注？
传统具身智能研究往往聚焦于单一任务（如仅搜索或仅跟随），但真实世界中的应用场景需要智能体同时具备感知、推理和行动的全链条能力。UESF-Bench 将搜索与跟随统一在一个基准中，更贴近机器人实际部署的需求。
对开发者的启示
- VLA 架构的实用性：SeekFollow-VLA 证明了视觉-语言-动作一体化框架在处理复杂多阶段任务中的可行性。
- 路由机制的价值：任务驱动的隐式阶段推理为多模态智能体提供了可参考的设计范式。
- 基准测试的必要性：随着具身智能从实验室走向实际应用，统一的评测标准将成为衡量技术进步的关键工具。
对创业者的意义
具身智能（尤其是服务机器人、陪伴机器人领域）正处在技术突破的前夜。能够同时完成"找到人"和"跟随人"的智能体，在养老护理、导览服务、家庭助手等场景中具有直接的商业价值。UESF-Bench 的提出为行业提供了一个可量化的评估框架，有助于加速产品迭代与技术选型。
参考资料：