具身问答证据审计基准：闭环智能体未到达目标仍答对45.5%

作者提出一个多房间具身问答基准，200 个测试回合、800 个问题按路径范围分层，并设计评测阶梯：问题固定不变，只改变提供给答题方的证据，从纯文本探针、闭环智能体到参考轨迹回放。问题由房间、可见物体和帧的符号记录生成，每个答案都可追溯到支撑它的观察。结果显示，闭环视觉语言智能体在 200 个回合中未到达任何目标，却答对 45.5% 的问题，与同一模型不给图像时相差 0.1 个百分点以内；回放参考轨迹后同一模型升至 57.4%，说明证据存在于路径上但未被采集。