从被动观察者到主动批评家：强化学习激发机器人操控的过程推理

针对长程机器人操控中过程监督的难题，本文提出 PRIMO R1 框架。该方法利用基于结果的强化学习，将视频多模态大模型从被动“观察者”转化为主动“批评家”，激励其生成显式的思维链以评估任务进度。通过构建锚定初始与当前状态的结构化时序输入，并在多样化场景中实验，该 7B 模型在专用推理基准上误差降低 50%，且在 RoboFail 基准上超越 OpenAI o1 等闭源模型，展现出卓越的零-shot 泛化与故障检测能力。