从感知到规划：通过课程学习演化以自我为中心的任务导向时空推理
人工智能
2026-04-14 v1
摘要
现代视觉语言模型在静态感知方面取得了强劲性能，但在具身化、以自我为中心的任务所需的复杂时空推理方面仍然受限。一个主要的失败原因是它们依赖于从被动视频数据中学习到的时间先验，这常常导致时空幻觉和在动态环境中泛化能力差。为了解决这个问题，我们提出了EgoTSR，一个基于课程学习的框架，用于学习任务导向的时空推理。EgoTSR建立在这样一个前提之上：具身推理应该从显式的空间理解演变为内化的任务状态评估，最终演变为长程规划。为了支持这一范式，我们构建了EgoTSR-Data，一个包含4600万个样本的大规模数据集，这些样本组织成三个阶段：思维链监督、弱监督标记和长程序列。大量实验表明，EgoTSR有效地消除了时间顺序偏差，在长程逻辑推理任务上达到了92.4%的准确率，同时保持了高细粒度感知精度，显著优于现有的开源和闭源最先进模型。
引用
@article{arxiv.2604.10517,
title = {From Perception to Planning: Evolving Ego-Centric Task-Oriented Spatiotemporal Reasoning via Curriculum Learning},
author = {Xiaoda Yang and Yuxiang Liu and Shenzhou Gao and Can Wang and Jingyang Xue and Lixin Yang and Yao Mu and Tao Jin and Shuicheng Yan and Zhimeng Zhang and Zhou Zhao},
journal= {arXiv preprint arXiv:2604.10517},
year = {2026}
}