东芝欧洲发布CAPSafe具身智能安全基准数据集 填补大模型安全推理评测空白

作为人工智能领域当前最具落地潜力的方向之一，具身智能近年来在家庭服务、室内巡检、养老陪护等场景的商业化探索持续加速，但大模型驱动的智能体在复杂动态环境下的风险识别、安全决策能力始终缺乏统一的评测基准，成为制约行业规模化落地的核心瓶颈之一。

2026年10月20日，东芝欧洲有限公司剑桥研究实验室正式在预印本平台arXiv发布CAPSafe（Contextual Action and Plan Safety benchmark）数据集，这是专门面向具身智能体大语言模型安全推理的专项评测基准，包含动作级与计划级两个互补数据集，覆盖具身智能安全评测的不同维度需求。

据官方披露信息，CAPSafe数据集的场景全部源自TEACH/ALFRED/AI2-THOR三大通用室内具身智能环境，确保评测结果的通用性与可迁移性：其中动作级数据集包含1,000个动作—环境对，主要用于验证智能体实时动作的安全判断能力；计划级数据集包含243个长周期任务实例，单场景平均设置12个共现危害、96个交互物体、21.8步任务流程，覆盖5大类41种常见安全危害及4档风险严重度，可充分模拟真实室内场景的复杂风险叠加状态。为保障评测的科学性，CAPSafe数据集通过规则化属性编辑构造安全与不安全对照环境，并经多样性采样生成，支持在线执行端到端安全评估，其核心设计目标是检验智能体能否从复杂情境中准确推断潜在风险、并生成符合安全要求的长程执行计划，同时可量化不同模型在危害识别精度与安全规划合理性之间的能力差距，为大模型迭代提供明确的优化方向。

从应用价值来看，CAPSafe数据集可广泛支撑各类具身智能产品的安全能力验证：比如面向家庭服务机器人，可测试其在执行清洁、取物等长任务时，能否主动避让地面水渍、高温炊具、裸露电源等风险点；面向工业室内巡检智能体，可验证其在存在高压设备、易燃易爆物料的场景下，能否规划符合安全规范的巡检路径；面向养老陪护机器人，可测试其能否识别老人周边的跌倒风险、误服药品隐患等，动态调整陪护策略。

作为人工智能评测类数据资源的重要组成部分，CAPSafe的发布也进一步丰富了全球具身智能领域的公共数据供给，对于推动具身智能安全标准体系建设、降低商业化落地的安全风险、加速数据要素在人工智能产业的价值释放均具有积极意义。

查看CAPSafe

详情页内容：