也许，机器人最难的任务之一就是理解人类何时需要帮助，以及在一切正常时不打扰。这个结合了心理理论（Theory-of-Mind）与具身AI的新基准，正是要检验这一点：智能体必须自己选择干预的时机，而不仅仅是展示对他人状态的“理论性”理解。
从问题到行动
现有的针对具身智能体的ToM基准大多遵循同一种模式：向智能体展示一个场景，然后询问关于人类信念和意图的问题，或者要求其在场景层面预测下一步行动。这类测试更多评估的是事后推理，而非在实时变化的环境中互动的能力。然而，正是持续的感知和及时的反应，才将有用的助手与“在考试中答对题”的算法区分开来。
精确干预的闭环
新的MindHelper挑战将这一任务转化为闭环。智能体必须持续观察环境，维护对场景中每个人的独立信念，理解人类何时真正遇到困难，并且只在那一刻执行具体动作。同样重要的是另一面：如果不需要干预，智能体必须保持沉默，不做任何事。
该挑战基于之前的以机器人为中心的MindPower方法，其推理遵循“从感知到行动”的原则。然而，在新场景中这还不够：不仅需要正确决定做什么，还需要正确决定是否值得做。这种设计使基准更接近真实互动，在真实互动中，过度的帮助可能和缺乏帮助一样令人烦恼。
MindClaw如何运作
为了解决这一挑战，作者提出了MindClaw框架，它结合了三个组件：
- 行动者信念表 —— 一种结构，用于存储关于特定个体当前目标和知识的假设。
- 具身认知技能 —— 一组能力，使智能体不仅能推理，还能在环境中执行物理动作。
- 触发式认知调度器 —— 一种机制，负责回答关键问题：干预的触发条件是否成立。调度器要么启动动作，要么让智能体保持观察模式。
该架构类似于一只“认知之爪”：它抓取信息，以信念的形式保持，并且只在附近有真正的机器人任务时才释放。
实验显示了什么
结果颇具说明性。MindClaw框架达到了36.63%的精确干预率和14.36%的任务解决准确率。相比之下，不使用所提出架构的直接VLM基线仅分别达到12.05%和3.80%。换句话说，干预质量上近三倍的差距，任务成功率上近四倍的差距。
这证实了，拥有显式的信念模型和独立的动作触发器，为智能体带来了相对于“原始”使用视觉-语言模型的显著优势。尤其宝贵的是，成功不是通过回答的准确性来衡量，而是通过闭环中的正确行为来衡量：机器人在提供帮助时和保持旁观时都必须同样正确。
工作状态
描述这一新基准的预印本已发布在arXiv上，标识符为2606.01063。据作者称，该文章是更早的MindPower工作的扩展版本，后者曾在CVPR 2026上展示，并附带了额外的实验集。当前版本标记为v3，已于2026年8月24日更新，项目本身仍在发展过程中。因此，很可能在不久的将来，我们会看到该方向的完善和新结果。
