1它在测一件没人测过的事

不是问答，是「现在，接住它」

现有的物理推理基准，大多是**被动**的：给你一段视频，问你「接下来会发生什么」，或者判断两个场景哪个更合理。 embodied AI 的基准则偏**长程慢思考**：导航、重排、收拾房间。这两类都不测一件事——**模型能不能把物理理解，在几百毫秒内变成一次安全的动作**。

ReactHuman 测的就是这件事。它的设定很直接：把被测的 MLLM 放进一个仿真人形机器人的决策回路里，让它面对突然发生的家庭危险——盘子从台面滑落、刀从架子上掉下来、衣柜朝人倒过来——然后**当场**做出反应决策。

它的评估协议叫 **freeze-and-predict**：完整物理仿真一路跑到**关键决策时刻**然后冻结，把此刻的观测交给模型；模型给出计划后，**仿真继续执行这个计划**，让决策产生可见的物理后果。

这一点是整篇工作里最重要的设计。大多数基准里，模型答错了就答错了；在这里，模型说「我去接点 A」，仿真就真的把手伸向 A 点，然后根据物体真实轨迹判定接没接住。

2真值从哪来

泡沫砧板与钢苹果

这类基准最难的不是搭建，是**怎么判定对错**。ReactHuman 的做法是：真值直接来自 **240 Hz 刚体仿真**，不需要人工标注。场景可以**逐位（bit-for-bit）复现**——同一场景在任何机器上跑出来的物理轨迹完全一致。

更狠的是它放了**对抗性物体**：**外观与物理属性相冲突**的东西。论文举的两个例子是**泡沫做的砧板**和**钢做的苹果**。

这两个道具的设计意图很清楚：如果一个模型是靠「砧板 = 硬 = 重 = 砸下来会伤人」这种外观先验做判断，那它在泡沫砧板面前就会系统性出错。它测的正是模型是**在看运动**还是在**看图片**。

评分不是单一成功率。作者设计了**五指标套件**，从三个轴打分：**reasonable**（合理，是不是一个正常人会选择并能为之辩护的动作）、**safe**（安全，是否避免造成伤害）、**physically grounded**（物理上站得住，手是否真的及时到达了物体位置）。

这个三轴拆法值得国内做评测的团队直接抄。因为一个模型可以**选对动作但抓空半米**——在只有成功率的基准里，这跟完全没反应是一样的；在三轴评分里，它能被精确定位成「决策对了，物理预测错了」。

3结果

三个失败模式，和一个否定

**7 个代表性 MLLM** 测下来，结论一句话：**反应式安全远未解决**——大约**每三个危险就有一个被处置错**。

作者把失败拆成了三个模式：

**其一，按固定倾向行动，而不是按眼前场景行动。** 模型表现出一种「性格」——不管现场是什么情况，它倾向于重复同一类反应。这在工程上的含义是：这不是知识缺失，是策略僵化。

**其二，信外观不信运动。** 面对泡沫砧板与钢苹果这类对抗物体时，模型倾向于依据物体的**看起来像什么**而不是**正在怎么动**来判断危险等级。

**其三，动作选对了，拦截点差到米级。** 论文原文的表述是「miss interception points at meter scale even when the chosen action is correct」——即使动作选择正确，手伸到的位置与物体实际会经过的位置可以差出**米**的量级。

然后是最关键的一句：**none of these failures shrink with model scale**——**这些失败没有一个随模型规模增大而减少**。

判断：这条结论的杀伤力大于「三分之一」。行业里对安全问题的默认回答一直是「等下一代模型」——参数更大、数据更多、推理更强，安全自然跟上。ReactHuman 说的是：至少在突发物理危险这个子类上，规模不解决问题。如果这条能被后续工作复现，那么「把大模型直接当家庭机器人的决策核心」这条路径，就需要一层**不随模型升级而消失**的独立安全兜底——而不是靠模型迭代把它抹掉。

4边界与用法

它不能证明什么，和它能用来做什么

先把边界说清楚，否则这份基准会被误读。

第一，**这是仿真，不是真机**。所有结论都建立在 240 Hz 刚体仿真的物理一致性上。作者自己在摘要里也留了这句话的等价表述：决策在仿真器内部产生后果，**但该基准不替代真实家庭机器人测试**。真机上的接触力学、柔性物体、传感器噪声，都不在这份评估范围内。

第二，**这是预印本**，2026 年 9 月 9 日提交，未经同行评审。分模型的具体分值与排名，在本文可获取的摘要与 HTML 段落中未逐项列出，所以本文只转述总量结论，不编造排名。

第三，**17 类事件族不等于 17 种真实危险**。家庭里的突发危险种类远超 17 类，而且真实场景的危险往往是连锁的（绊倒 → 撞到 → 掉落）。

但它的可用性是明确的。作者把基准定位成两样东西：一个**细粒度诊断工具**，和一个**可扩展的训练信号**。数据集已上架 Hugging Face。对做家庭机器人或具身安全兜底的团队，这份数据的用法不是「跑个分」，而是**把三个失败模式分别做成测试用例**：固定倾向测试（同一模型在不同场景是否给出同质反应）、外观对抗测试（泡沫砧板类道具）、拦截精度测试（动作对但位置差多少米）。

判断：对做真实场景交付的团队，这份基准可以直接改造成**交付前的验收清单**。现在行业里对「机器人安不安全」的验收基本停留在急停按钮 + 碰撞检测这类被动保护；ReactHuman 指出的是另一层——**主动反应式安全**，即机器人面对突发状况时的**主动**决策质量。这一层目前没有任何公开验收标准。谁先把这三层（被动保护 / 主动反应 / 处置精度）写成可执行的测试用例，谁在政企招标的技术规格书里就多一张牌。

来源：arXiv:2609.10895《ReactHuman: A Physics-Grounded Benchmark for Human-Like Reactive Decision-Making in Embodied Multimodal LLMs》（2026-09-09 提交）https://arxiv.org/abs/2609.10895 ；HTML 版 https://arxiv.org/html/2609.10895v1 ；数据集 https://huggingface.co/datasets/Alan123/reacthuman-benchmark-scaled ；FutureX Physical AI Daily Issue 117（09/12）https://dev.to/future_x/futurex-physical-ai-daily-issue-117-0912-31g5