摘要
现代视觉语言模型在静态感知表现优异，但在具身自我中心任务所需的复杂时空推理上受限，常因依赖被动视频数据的时间先验导致幻觉。为此，本文提出 EgoTSR，一种基于课程学习的任务导向时空推理框架。该框架遵循从显式空间理解到内部任务状态评估，最终至长程规划的进化路径。我们构建了包含 4600 万样本的 EgoTSR-Data 数据集，涵盖思维链监督、弱监督标记及长序列三个阶段。实验表明，EgoTSR 有效消除了时间偏差，在长程逻辑推理任务中准确率达 92.4%，显著优于现有最先进模型。
AI 推荐理由
论文核心提出从感知到长程规划的课程学习框架，旨在解决具身任务中的时空规划难题。
研究机构
Zhejiang University, Hangzhou, China
Shenzhen Gao
Jingyang Xue
Yao Mu
Shanghai Jiao Tong University, Shanghai, China
National University of Singapore, Singapore
论文信息