一种用于对抗具身推理中时空幻觉的视觉 - 语言模型渐进式训练策略

视觉 - 语言模型在静态图像理解上进展显著，但在时空推理方面仍面临严峻挑战，主要瓶颈是“多图像推理幻觉”。为缓解此问题，本文构建了新的思维链数据集，将复杂推理分解为详细的时空步骤与明确判断。在此基础上，提出渐进式训练框架：先在 CoT 数据上进行监督预训练以植入逻辑结构，再利用可扩展的弱标记数据微调以增强泛化能力。实验表明，该方法不仅提升了基座模型准确率，更将前后向性能差距从超 70% 降至 6.53%，有效培养了真实的动态推理能力并减少了时间偏差。