黄金点位狙击手：VLM 中用于细粒度动作理解的自引导视觉推理

针对机器人在日常环境中理解细粒度人类动作的难题，现有方法在信息丰富度与事实准确性间存在权衡。本文提出“黄金点位狙击手”（GPS）框架，赋予轻量级视觉语言模型自引导多模态推理能力。该框架包含黄金点位提取器、选择性苏格拉底式提问者和语义蕴含评估器三个模块，分别负责识别关键细节、通过自我提问验证 refine 细节以及量化评估事实一致性。实验表明，GPS 显著提升了模型性能，部分达到 GPT-4o 水平且事实准确性更优，为家庭机器人安全交互奠定基础。