arXiv cs.AI· Sichao Li, Sai Ma, Daniel Kilov, Secil Yanik Guyot, Zhuang Li, Seth Lazar·· 3 天前AI 评分27
NoRA：评估视觉第一人称规范动作推理中的可溯源合理性
NoRA: Evaluating Grounded Reasonableness in Visual First-person Normative Action Reasoning
AI 导读
研究者推出 NoRA，一个视觉第一人称视频基准，要求模型从零生成候选下一步动作，并通过显式的"事实-理由-动作"支撑图说明理由。该基准包含 1,420 段标注视频片段，分为 HumanGold-190 与 LLMSilver-1230，按动作对齐、事实溯源与支撑绑定三项指标汇总为可溯源合理性分数。
正文 · AI 翻译
摘要：LLM 和智能体系统越来越多地部署在社交环境中，这使得规范能力对于安全且恰当的行为至关重要。然而，现有方法要么仅评估文本中的规范判断，要么将其简化为在一组固定候选动作中进行选择。我们认为两者都不充分。在实践中，智能体从来不会拿到一份选项菜单；它们必须从零开始识别一个合理的动作，以可见事实为依据，并由可检验的理由支撑。我们提出 NoRA，一个视觉第一人称视频基准，要求模型生成候选的下一步动作，并通过显式的事实-理由-动作支持图来为每个动作提供依据。该基准包含 1,420 个标注视频片段，包括 HumanGold-190 和 LLMSilver-1230 两个划分。每个实例通过动作对齐、事实依据和支持绑定进行评估，并汇总为一个单一的有依据合理性分数。我们在直接、审慎和结构化提示机制下对 12 个多模态系统进行了基准测试，发现当前 VLM 经常能恢复出看似合理的动作和相关场景事实，但始终难以构建完整的合理动作空间，也难以将所选动作绑定到正确的局部支持上。NoRA 使这一差距变得可度量，将评估问题从模型能否挑选一个动作转变为模型能否为正确的可见理由证明一个恰当动作的合理性。代码和数据集可在以下网址获取：this https URL
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.04806 [cs.CV] |
| （或 arXiv:2606.04806v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.04806 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sichao Li [查看电子邮件]
[v1]
2026年6月3日星期三 12:30:24 UTC（19,463 KB）
[v2]
2026年10月10日星期六 23:27:31 UTC（18,478 KB）
来源：arXiv cs.AI · arxiv.org