IMBench是评估直觉性机器人操作的基准测试，arXiv:2607.15641，将操作视为感知、物理推理、动作生成和迭代执行的综合能力。该基准包含35个任务、14K条筛选轨迹和可扩展的多样化场景生成工具，任务要求模型推断任务相关的物理结构并在显式约束下生成可行的动作序列，包括接触丰富的操作、工具使用和多阶段依赖。实验揭示了视觉语言模型在直觉性操作方面的持续差距，为机器人操作能力的评估提供了新的维度。