TPRU：推进大型多模态模型的时序与程序性理解

针对多模态大语言模型（MLLMs）在理解时序和程序性视觉数据方面的关键缺陷，本文提出 TPRU。该研究构建了一个源自具身场景的大规模数据集，包含时序重排序、下一帧预测等三项互补任务，并引入挑战性负样本以促使模型进行跨模态验证。结合强化学习微调方法，TPRU 显著提升了资源高效型模型的时序推理能力。实验表明，TPRU-7B 在测试集上准确率从 50.33% 跃升至 75.70%，超越 GPT-4o 等更大基线，且在通用基准上表现出良好的泛化性。