已收录文章摘要，完整内容可前往原文阅读。
大模型已经越来越会「看懂」空间：它能判断物体在机械臂哪一侧，也能识别该操作哪个目标、理解任务怎么做。但如果真的把机械臂交给它，问题会变得更具体：该移动多少毫米？当前视角够不够？抓空以后，又该怎么调整？