分心驾驶是导致交通事故的主要因素之一，每年造成巨额经济损失和人员伤亡，对公共交通安全构成严重威胁。与以静态感知和离线分类为核心的传统驾驶行为识别方法不同，具身智能强调智能体通过身体感知、环境交互与行为反馈形成闭环认知，为分心驾驶检测走向“行为—认知—反馈”协同建模提供了新的研究范式。在分心驾驶检测场景中，驾驶员并非被动的信息输入源，而是与车辆、道路环境持续交互的具身主体，其风险状态由视觉、动作、注意力与情境共同驱动。基于具身智能的核心思想，本文从具身认知视角系统梳理了分心驾驶检测的关键技术路径，将分心驾驶行为视为“驾驶员—车辆—环境”持续交互过程中产生的具身认知结果，重点涵盖了多模态智能驾驶垂域大模型、领域自适应与持续学习等前沿研究方向，并从具身语义建模、环境适应与经验累积的角度分析其在分心驾驶检测中的作用；结合复杂交通环境的动态特征，提出了一个具有层次化结构的具身智能驱动分心驾驶检测理论框架，为分心驾驶检测研究提供新的参考思路和解决方案。最后，本文总结了具身智能驱动的分心驾驶检测系统在落地部署过程中面临的技术瓶颈与挑战，阐述了具身智能在分心驾驶检测中的应用前景，并展望了未来潜在的发展方向，可为具身智能驱动的智能驾驶安全系统的持续演进提供参考。

具身智能通过“身体—环境—任务”闭环交互，被视为迈向通用人工智能的核心路径。然而，与模型参数和训练数据的高速扩张形成鲜明对照，其评测体系仍处于“任务碎片化、指标多元化、平台封闭化”的自发状态，造成同一功能在不同研究中的性能差异超过10%，却无法判定来源是算法创新、数据扩充还是评测偏差，严重阻碍了技术迭代与产业落地。本文围绕“从感知到执行”的完整链路，对2020—2025年间发表于CVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）、ICRA（IEEE International Conference on Robotics and Automation）、NeurIPS（Conference on Neural Information Processing Systems）等顶级会议与 Nature、IJRR（International Journal of Robotic Research）、JMLR（Journal of Machine Learning Research）等期刊的百余篇文献进行系统梳理，首次提出“静态数据集—仿真平台—真实机器人”三级金字塔式评测范式，并从感知、认知、决策、执行4个环节拆解出20余项核心能力维度与量化指标，分别从方法学假设、适用边界、固有局限和成本—可信度曲线4个角度进行横向对比。本文进一步汇总了46套主流基在数据规模、任务类型、评估指标、开源程度和安全伦理考量等维度的差异。基于此，提出“能力导向、协议统一、三级协同”的未来框架：1）在任务层，由“功能对标”转向“能力对标”，建立可分解、可溯源、可加权的多维误差体系；2）在协议层，制定统一的场景描述、接口规范与指标定义，实现跨平台、跨任务、跨模型的可比性；3）在系统层，构建可远程接入、7 × 24 h运行的共享机器人集群，形成“仿真预训练—真机微调—在线更新”的闭环追踪，降低重复建设成本，打通从实验室到场景落地的“最后一公里”。最后讨论了安全伦理、文化偏见和能效评估等新维度如何纳入量化框架，并给出标准化路线图的短、中、长期目标。本文工作为具身智能从“技术涌现”走向“科学共识”提供了可操作的评测基础设施与参考范式，具体的静态—仿真—真机榜单展示在：https://opencompass.org.cn/embodied-intelligence。

具身智能作为人工智能与机器人学交叉的前沿领域，旨在使智能体通过与物理世界的动态交互来感知、推理并执行任务。然而，传统基于深度学习的级联式感知—控制模型在开放、动态环境下泛化能力不足，且高度依赖大规模标注数据。近年来，视觉—语言—动作模型（vision-language-action models， VLA）通过融合视觉感知、语言理解与动作生成，为具身智能的研究与应用提供了新的推动力。本文系统梳理了基于VLA的具身智能研究进展，从发展历程、模型架构、系统分类、训练与评估等方面展开综述。首先，本文追溯了视觉与语言基础模型的演进脉络，并阐述VLA概念的提出背景；随后，本文深入剖析VLA的关键技术模块，包括视觉编码、语言表征及动作词元化与解码机制；在此基础上，引入系统架构分类法，将现有工作归纳为单系统、双系统与层次化3类，并分析其设计权衡与适用场景；此外，本文总结了模型的预训练与后训练策略，并梳理了仿真及真实环境下的主流评测基准；最后，分析了VLA在实时推理效率、数据质量、环境泛化性与安全伦理等维度面临的挑战，并展望从被动感知到主动推理、持续学习、场景泛化与可靠部署等未来方向。本文旨在为相关研究者提供系统的技术参考，推动VLA在开放世界具身任务中的理论发展和应用落地。本文提及的算法、数据集和评估指标已汇总至https://github.com/DefaultRui/vision-language-action-models-for-embodied-AI。

目的面向具身智能与人形机器人等需在真实环境中即时感知与决策的系统，针对现有视觉—语言模型在像素级分割中常见的定位模糊及尺度、视角敏感性问题，提出一种无需像素级微调的推理范式，旨在在不改变预训练表征的前提下提升开放词汇语义分割的像素级判别质量与工程可用性。方法构建TG-CLIP（text-guided global-local contrastive language-image pre-training）框架，以冻结的CLIP为特征源，设计两类推理期算子以增强局部与跨尺度语义：1）文本引导的重校准机制，将文本查询作为条件信号对patch级表征进行语义性重构并回投；2）多视角一致性推理，通过重采样与镜像视角的结果融合来放大跨视角一致的预测信号。所有操作均在前向路径上完成，无需额外标注或网络微调。结果在8个公开基准上的评测显示，TG-CLIP的平均交并比（mean intersection over union，mIoU）达45.5%，超越多个现有方法，比排名第2的ProxyCLIP（40.1%）高出4.4%。定性对比实验进一步显示，TG-CLIP在复杂背景与细小结构处能更好地保留目标细节并减少误分割与漏分割，与定量结果相互印证。消融与超参数研究表明，两类算子可累积提升性能：文本引导重校准对温度参数表现出良好鲁棒性，多视角一致性推理在尺度与翻转策略上存在可量化的精度—效率权衡，推荐的部署配置在实用性上取得较好折中。结论TG-CLIP在保持视觉—语言模型零样本能力的前提下，通过两类轻量的推理算子实现了对像素级语义一致性与尺度、视角鲁棒性的显著改进，为免训练的开放词汇语义分割提供了一种易于部署且效果稳健的工程化方案。代码链接：https://www.scidb.cn/s/7baeYf。

随着虚拟现实（virtual reality，VR）技术的迅速普及，VR360 ^o全景图像（omnidirectional image，ODI）与全景视频（omnidirectional video，ODV）在娱乐、教育、医疗等领域展现出巨大的应用潜力。然而，由于全景内容具有球面畸变、视角分布不均以及实时交互等特有挑战，传统显著性检测方法难以有效应对VR全景场景的复杂性。本文综述了当前VR360^o全景图像/视频下显著性检测的研究进展，从传统机器学习方法到基于深度学习（如CNN（convolutional neural network）、Transformer和LSTM（long short-term memory）架构）的方法进行了全面回顾。首先介绍了VR360 ^o内容的成像原理与几何特性；随后，重点讨论了传统方法与深度学习技术在全景显著性检测中的应用与局限，特别是在全景环境中融合了多模态信息的相关研究；此外，还对现有数据集、评测指标及现有方法的性能进行了系统整理。本文还考察了全景显著性检测在图像质量评估和视频质量评估等领域中的实际应用案例，以揭示其在技术优化和用户体验提升方面的潜在价值。最后，展望了未来在VR360°全景显著性检测领域的前沿方向，旨在为后续研究和技术落地提供理论支持和实践指南。本文提及的算法、数据集已汇总至https://github.com/jiacongyu/PVSD。