基于视觉 - 语言模型的循环推理用于估计长程具身任务进度

准确估计任务进度对具身智能体规划执行长程多步任务至关重要。现有基于视觉 - 语言模型（VLM）的方法主要利用视频理解能力，忽视了复杂推理潜力，且处理长视频轨迹计算成本高昂。为此，本文提出循环推理视觉 - 语言模型（R²VLM）。该模型采用循环推理框架迭代处理局部视频片段，通过演化的思维链（CoT）维持全局上下文，显式记录任务分解、关键步骤及完成状态，以推理复杂时间依赖关系。该方法在避免高计算成本的同时保留了核心推理能力，并在多项下游应用中达到最先进水平。