2023年本科畢業于北京大學信息科學技術學院。目前為美國Northeastern University在讀博士生，研究方向為機器人與機器學習, 具身智能, 在 CVPR、ICML、CoRL 等頂級會議中發表過論文。

具身智能是近年來非常火概念。一個智能體（比如人）能夠在環境中完成感知、理解與決策的閉環，并通過環境反饋不斷進入新一輪循環，直至任務完成。這一過程往往依賴多種技能，涵蓋了底層視覺對齊，空間感知，到上層決策的不同能力，這些能力便是廣義上的具身智能。

已經有很多優秀的工作把多模態大語言模型（MLLMs）部署在具身智能的不同應用上。盡管已經有不少相關工作評估過他們具身智能的潛力，但主要集中在子領域上，比如給點（Pointing），空間推理（Spatial Reasoning）等等，也有一些工作在仿真里定義任務評估他們的性能，比如EmbodiedBench等，但是他們并沒有把一個任務切分成一步步的原子技能，也就無法判斷出到底是哪個細粒度的能力導致一個任務的失敗。

BEAR基準

為了系統評估MLLM在具身智能的各個子能力，美國東北大學聯合香港中文大學，哈佛大學，提出了BEAR基準，并且提供了詳細的錯因分析和算法提升。