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
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程