NoRA：评估视觉第一人称规范性动作推理中的 grounded 合理性

随着大语言模型及智能体系统在社会环境中的部署，规范性能力对行为安全至关重要。现有方法仅评估文本判断或固定选项选择，存在局限。本文提出 NoRA，一个视觉第一人称视频基准，要求模型从零生成候选动作，并通过显式的“事实 - 理由 - 动作”支持图进行论证。该基准包含 1420 个标注视频片段，通过动作对齐、事实基础和支持绑定评估 grounded 合理性分数。实验表明，当前多模态模型虽能识别合理动作和相关事实，但在构建完整合理动作空间及正确绑定局部支持方面表现欠佳。