現(xiàn)有 VLA 模型的研究和基準(zhǔn)測試多局限于家庭場景（如整理餐桌、折疊衣物），缺乏對專業(yè)科學(xué)場景（尤其是生物實(shí)驗(yàn)室）的適配。生物實(shí)驗(yàn)室具有實(shí)驗(yàn)流程結(jié)構(gòu)化、操作精度要求高、多模態(tài)交互復(fù)雜（透明容器、數(shù)字界面）等特點(diǎn)，是評估 VLA 模型精準(zhǔn)操作、視覺推理和指令遵循能力的理想場景之一。

近期，來自香港大學(xué)MMLAB 羅平老師團(tuán)隊(duì)和上海交大穆堯老師團(tuán)隊(duì)的工作——Autobio 正式被 ICLR 2026 接收，并獲得了 8-8-6-6 的同行評議分?jǐn)?shù)。AutoBio 是一個面向數(shù)字化生物實(shí)驗(yàn)室的機(jī)器人仿真系統(tǒng)與基準(zhǔn)測試平臺。我們通過這篇工作，嘗試系統(tǒng)性回答一個關(guān)鍵問題：

當(dāng)前主流的視覺 - 語言 - 動作（Vision-Language-Action, VLA）模型，是否已經(jīng)具備在真實(shí)生物實(shí)驗(yàn)室中執(zhí)行實(shí)驗(yàn)流程的能力？

• 論文標(biāo)題：AutoBio: A Simulation and Benchmark for Robotic Automation in Digital Biology Laboratory
• 論文鏈接：https://openreview.net/forum?id=UUE6HEtjhu
• 論文代碼：https://github.com/autobio-bench/AutoBio
• https://huggingface.co/autobio-bench

一．研究背景：為何生物實(shí)驗(yàn)室構(gòu)成關(guān)鍵挑戰(zhàn)

與日常操作環(huán)境相比，生物實(shí)驗(yàn)室在機(jī)器人自動化層面呈現(xiàn)出一組高度耦合的挑戰(zhàn)：

首先，實(shí)驗(yàn)操作通常具有長時(shí)序和強(qiáng)約束特征。即便單步動作相對簡單，其組合往往構(gòu)成對順序一致性和狀態(tài)依賴高度敏感的完整實(shí)驗(yàn)流程。

其次，實(shí)驗(yàn)器材大多數(shù)為交互式，廣泛采用螺紋、卡扣、分檔旋鈕等精細(xì)機(jī)械結(jié)構(gòu)，對位姿控制和軌跡規(guī)劃提出遠(yuǎn)高于常規(guī)操作的要求。

此外，液體樣本與透明容器的普遍存在，對視覺感知提出了更大的挑戰(zhàn)，而這類場景在現(xiàn)有仿真與評測體系中長期被簡化或忽略。

上述因素共同導(dǎo)致：即便在家庭或工業(yè)場景中表現(xiàn)良好的模型，也可能在實(shí)驗(yàn)室任務(wù)中迅速失效。這一現(xiàn)象表明，現(xiàn)有基準(zhǔn)并不足以反映模型在科研場景下的真實(shí)能力邊界。

二．AutoBio 的核心設(shè)計(jì)思想

如上圖，AutoBio 并非簡單復(fù)刻實(shí)驗(yàn)室環(huán)境，而是從實(shí)驗(yàn)流程本身出發(fā)，提出一種以生物實(shí)驗(yàn)語義為中心的建模與評測范式。

我們將復(fù)雜實(shí)驗(yàn)操作抽象為一組生物實(shí)驗(yàn)原語（biological primitives），例如樣本轉(zhuǎn)移、混合反應(yīng)、條件調(diào)控、分離與保存等。這些原語進(jìn)一步映射為可執(zhí)行的機(jī)器人運(yùn)動與控制模塊，并在統(tǒng)一的仿真環(huán)境中進(jìn)行組合。

在系統(tǒng)層面，AutoBio 由三部分構(gòu)成：

• 面向真實(shí)實(shí)驗(yàn)室的高保真仿真系統(tǒng)；
• 覆蓋多難度等級的標(biāo)準(zhǔn)化實(shí)驗(yàn)任務(wù)基準(zhǔn)；
• 與 VLA 模型直接兼容的數(shù)據(jù)生成、訓(xùn)練與評測接口。

這一設(shè)計(jì)使 AutoBio 能夠在保持實(shí)驗(yàn)語義一致性的前提下，對不同模型進(jìn)行可復(fù)現(xiàn)、可對比的系統(tǒng)評估。

三．一個真正 “像實(shí)驗(yàn)室” 的仿真系統(tǒng)

為了讓機(jī)器人面對的環(huán)境盡可能接近真實(shí)實(shí)驗(yàn)室，AutoBio 在仿真層面進(jìn)行了多項(xiàng)針對性擴(kuò)展：

1. 實(shí)驗(yàn)儀器的數(shù)字化建模

為確保實(shí)驗(yàn)操作的真實(shí)性，AutoBio 引入了一套從真實(shí)儀器到仿真資產(chǎn)的系統(tǒng)化建模流程。通過多視角視頻采集與 3D Gaussian Splatting 重建，我們獲得高保真的幾何與外觀表示，并結(jié)合 CAD 建模與結(jié)構(gòu)標(biāo)注，生成可用于物理仿真的數(shù)字儀器模型。

該流程兼顧了視覺真實(shí)性與物理可交互性，避免了傳統(tǒng)手工建模在復(fù)雜結(jié)構(gòu)與真實(shí)比例上的偏差。

2. 實(shí)驗(yàn)室專用物理機(jī)制

標(biāo)準(zhǔn)物理引擎往往難以直接覆蓋實(shí)驗(yàn)室中常見的交互模式。為此，AutoBio 針對生物實(shí)驗(yàn)高頻操作擴(kuò)展了一系列物理機(jī)制，包括但不限于：

• 基于螺紋結(jié)構(gòu)的旋擰與自鎖建模；
• 具有離散阻尼特性的分檔旋鈕；
• 偏心機(jī)構(gòu)驅(qū)動的周期性振蕩；
• 面向液體樣本的準(zhǔn)靜態(tài)液面建模。

這些機(jī)制使仿真環(huán)境能夠更準(zhǔn)確地反映實(shí)驗(yàn)操作中的關(guān)鍵物理約束，從而避免模型在評測中依賴不現(xiàn)實(shí)的 “捷徑策略”。

3. 面向視覺模型的渲染與界面支持

考慮到 VLA 模型高度依賴視覺輸入，AutoBio 在渲染層面引入了基于物理的渲染（PBR）管線，以提升透明材料、液體以及儀器表面的視覺真實(shí)性。

同時(shí)，系統(tǒng)支持儀器數(shù)字界面的動態(tài)渲染，使機(jī)器人能夠通過視覺信號讀取參數(shù)、識別狀態(tài)變化并執(zhí)行相應(yīng)操作。這一能力對于涉及人機(jī)界面的實(shí)驗(yàn)任務(wù)尤為關(guān)鍵。

四、AutoBio Benchmark：從實(shí)驗(yàn)流程到評測任務(wù)

基于上述仿真能力，AutoBio 構(gòu)建了一個包含 16 個任務(wù)的評測基準(zhǔn)，覆蓋三個難度等級：

• 簡單任務(wù)：單步或低精度操作，如打開或關(guān)閉儀器蓋；
• 中等任務(wù)：需要一定精度和語言理解能力，如擰開離心管、樣本轉(zhuǎn)移；
• 困難任務(wù)：涉及多模態(tài)推理，如讀取屏幕參數(shù)并精確調(diào)節(jié)實(shí)驗(yàn)設(shè)備。

每個任務(wù)均支持自動化專家軌跡生成、隨機(jī)化初始條件以及統(tǒng)一的成功判定機(jī)制，使不同模型能夠在一致條件下進(jìn)行公平比較。

五、當(dāng)前模型的能力邊界

我們系統(tǒng)評測了多種主流開源 VLA 模型。實(shí)驗(yàn)結(jié)果如下圖：

• 在簡單任務(wù)上，模型已表現(xiàn)出較高成功率；
• 當(dāng)任務(wù)涉及高精度裝配、液體判斷或屏幕讀數(shù)時(shí)，成功率顯著下降；
• 失敗往往源于細(xì)節(jié)誤差的持續(xù)累積，而非對任務(wù)的完全誤解。

這一結(jié)果揭示出當(dāng)前模型在高精度操作、細(xì)粒度視覺推理以及長期實(shí)驗(yàn)流程建模方面仍存在顯著不足，也進(jìn)一步驗(yàn)證了 AutoBio 在刻畫真實(shí)科研場景挑戰(zhàn)方面的必要性。

六、總結(jié)

AutoBio 提供了一個面向生物實(shí)驗(yàn)室的統(tǒng)一仿真與評測框架，使研究者能夠系統(tǒng)性分析機(jī)器人在真實(shí)科研場景中的能力與局限。

我們的目標(biāo)并非給出最終解決方案，而是通過清晰的問題定義和可復(fù)現(xiàn)的評測體系，為通用機(jī)器人走向科研自動化提供一個堅(jiān)實(shí)的起點(diǎn)。

隨著模型架構(gòu)、訓(xùn)練范式與跨模態(tài)推理能力的持續(xù)發(fā)展，我們希望 AutoBio 能夠成為連接機(jī)器人學(xué)習(xí)與生命科學(xué)自動化的重要基礎(chǔ)設(shè)施。