VLMs 是原生动作模型：通过显式动作空间锚定释放 VLMs 的操控能力

基于摘要分析。本文研究如何将预训练视觉语言模型（VLMs）的视觉、空间与推理能力转化为可执行的机器人操控策略，提出 Explicit Action-Space Grounding（EASG）框架，以显式动作空间锚定连接视觉观察与动作生成。其主要研究对象是机器人操控，而非 EEG 解码或 BCI。 核心机制是将以工具中心点（TCP）为中心的动作坐标系投影到腕部相机观测中，并通过 VLM 原生的文本生成接口表达动作，使连续机器人动作空间的语义在模型感知上下文中直接可见。作者据此主张，预训练 VLM 可利用已有视觉空间推理能力生成可执行动作，无需机器人动作预训练或额外动作模块。摘要未说明动作文本的具体编码、解析与执行方式，也未提供控制频率和精度要求。 相较于通常引入可学习动作 token、动作头或动作专家的 vision-language-action（VLA）路线，EASG 强调复用原生生成接口；相较于依赖外部规划与控制支架的模块化方案，它还支持通过同一动作接口直接使用机器人轨迹微调。作者报告，该框架支持零样本操控，以及跨物体位置、类别和机器人本体的泛化，并可通过微调进一步提升能力。但摘要未提供任务集合、机器人平台、训练与测试划分、对照基线或定量结果，实验协议、消融及统计信息尚未验证。 阅读全文时需重点核对零样本评估的适用条件、坐标投影与相机标定依赖、动作执行链路，以及跨机器人本体泛化的具体边界。当前材料未建立 EASG 与神经信号解码之间的具体机制对应，不能将其机器人操控结果视为 BCI 有效性的证据。