LARYBench 发布：定义具身动作表征 ImageNet，首次度量从人类视频学习的泛化表征
具身智能领域面临带动作标注数据稀缺的挑战，机器人泛化能力受限。LARYBench 作为首个系统化评测基准，针对隐式动作表征进行量化评估，旨在从大规模人类视频中学习通用动作语义。该基准通过多粒度动作定义，包括本体动作、原子语义动作和复合语义动作，覆盖超过100万段视频、151种动作类型和11种机器人形态，构建了多样化数据集。评测采用浅层探测头验证表征质量，涵盖动作回归和分类任务。实验对比了隐式动作模型、通用视觉编码器等四类范式，结果表明通用视觉模型如 DINOv3 在动作泛化和控制精度上显著优于专门模型，揭示了动作表征可从海量视觉预训练中涌现。这一发现验证了人类视频数据在驱动规模化学习中的潜力，为具身智能突破数据瓶颈、走向数据驱动范式提供路径。LARYBench 开源了数据集和代码，促进社区协作，加速动作表征研究迭代。