论文提出Show-Harness具身控制框架，使视觉语言模型通过离散语义动作单元直接操控机器人，无需微调即可零样本控制，少量微调可适配小模型；并提出GUMI界面，支持人类与智能体在统一动作空间采集示教数据，实现跨形态复用与协同采集。