探究驾驶视觉语言模型的可靠性：从不一致响应到接地时序推理

可靠的驾驶助手应基于观测信息提供一致的时序接地推理响应。本文 investigates 视觉语言模型（VLM）作为驾驶助手时，是否具备真正的时序推理能力，而非仅依赖训练记忆模式。研究揭示了两大挑战：响应不一致性及时序推理能力的缺失，指出强视觉理解并不等同于优秀的时序推理。为此，作者提出了 FutureVQA 基准数据集，并引入一种无需时序标签的自监督思维链微调方法，显著提升了模型的一致性与时序推理性能。