提出PRIMO R1(7B视频多模态大语言模型框架),通过基于结果的强化学习激发显式思维链生成以实现任务进度估计,并采用结构化时序输入(锚定初始与当前状态图像),将视频MLLM从被动‘观察者’转变为主动‘批评者’,在RoboFail基准上达到67.0%零样本失败检测准确率,显著优于72B通用MLLM和OpenAI…
机构:上交
来源:arXiv 2603.15600 | AI4Papers 论文推荐平台