MATEO：面向时序推理与规划的多模态基准
人工智能
2026-02-17 v1 计算与语言
机器学习
摘要
AI 代理需要计划以实现复杂目标，这些目标涉及协调感知、子目标分解和执行。这些计划由有序步骤组成，依据时间执行顺序 (TEO，一个确保每个步骤在其前提满足后才执行的有向无环图) 进行结构化。现有研究在基础模型对时序执行的理解方面受限于自动派生的注释、TEO 作为线性链的近似，或仅文本输入。为此，我们引入 MATEO (MultimodAl Temporal Execution Order)，一个旨在评估和改进大型视觉语言模型 (LVLMs) 时序推理能力的基准，这些能力是实现真实世界规划所必需的。我们获取了一套高质量的专业多模态食谱语料库，通过标准化的编辑过程将指令分解为离散步骤，每个步骤都配有相应的图像。我们通过设计和使用可扩展的众包管道收集 TEO 注释作为图形。使用 MATEO，我们在模型规模、语言上下文变化、多模态输入结构以及微调策略等方面评估了六个最先进的 LVLMs。
引用
@article{arxiv.2602.14589,
title = {MATEO: A Multimodal Benchmark for Temporal Reasoning and Planning in LVLMs},
author = {Gabriel Roccabruna and Olha Khomyn and Giuseppe Riccardi},
journal= {arXiv preprint arXiv:2602.14589},
year = {2026}
}