通过视觉行动结果推理对齐弥合物理推理与任务泛化

视觉语言模型（VLM）在交互式物理推理中难以泛化至未见任务与环境，主要存在思维链幻觉及推理与行动不一致两大失效模式。本文提出 VAORA，一种新型奖励设计以直接解决上述问题。VAORA 引入两种互补奖励：视觉对齐奖励将推理锚定于独立于行动的视觉上下文；视觉 - 行动对齐奖励则将推理 grounded 于行动引发的视觉结果。二者共同抑制幻觉并缩小推理与行为差距。实验表明，该方法显著提升了模型在新任务及 unseen 环境下的物理智能泛化能力。