已收录文章摘要，完整内容可前往原文阅读。
导语：视觉语言模型能识别物体、理解指令，却不一定能把末端执行器准确地移动到正确位置。这个"看懂但手伸不对"的问题，是具身智能从感知走向执行的核心瓶颈。Show-Harness的思路不是让模型一次性预测