arXiv cs.AI· Zirui Song, Zheng Lu, Mingqi Gao, Qinlei Xie, Wanqi Zhong, Hanwen Cui, Lijie Wang, Chong Luo, Bei Liu, Yiming Li, Xiuying Chen·· 3 天前AI 评分22
Causal-Plan-Bench：面向物理具身推理的因果规划基准与 Causal Planner 模型
Planning Takes More Than Token Prediction: Causal Plan for Benchmarking and Building Physically Grounded Embodied Reasoners
AI 导读
研究团队推出 Causal-Plan-Bench 诊断基准与 Causal-Plan-1M 百万级因果推理语料，指出现有具身视觉语言规划基准偏向语言下一 token 预测而非物理因果推理，GPT-6-astra 仅得 43.04 分。
正文 · AI 翻译
作者：Zirui Song、Zheng Lu、Mingqi Gao、Qinlei Xie、Wanqi Zhong、Hanwen Cui、Lijie Wang、Chong Luo、Bei Liu、Yiming Li、Xiuying Chen
摘要：当前用于具身视觉语言规划的基准测试无意中偏向语言上的下一词元预测，而非基于物理的下一状态推理。这会奖励那些模仿统计语言先验而非追踪真实因果依赖的模型，将复杂的物理规划降格为浅层的序列建模。因此，实现真正的物理自主性需要从基于语言的词元预测根本性地转向基于物理的因果推理。为此，我们提出了 Causal-Plan-Bench，一个涵盖四个因果维度、通过多阶段验证精心构建的高保真诊断套件。为使模型具备这一能力，一个四阶段标注流程从第一人称视频中提取结构化交互记录，构建了 Causal-Plan-1M，一个包含显式因果推理轨迹的百万级密集语料库。大量评估揭示了一个显著差距：领先模型难以展现真正的物理能动性——即便是 GPT-6-astra 也仅得 43.04 分。相比之下，我们量身定制的训练方案使 Causal Planner 能够内化准确估计下一状态所需的复杂物理逻辑。基于 Qwen3-VL-8B 构建，Causal Planner 将其主干模型的得分从 33.23 提升至 45.28，相对提升 36.3%，并在未针对基准做特定适配的情况下改善了三个外部基准的表现。我们进一步观察到经验性的因果监督缩放趋势。配对的无视觉对照也揭示了显著的视觉依赖性，而跨评判者比较和人工评分则评估了自动评估的可靠性。更重要的是，我们首次尝试将智能体从肤浅的词元预测器转变为基于物理的因果推理器，从而弥合语言建模与世界建模之间的鸿沟。
| Comments: | 43 页，含附录。代码：this https URL |
| Subjects: | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.01810 [cs.AI] |
| （或 arXiv:2606.01810v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.01810 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zheng Lu [查看电子邮件]
[v1]
2026年6月1日星期一 07:27:39 UTC（6,796 KB）
[v2]
2026年9月24日星期四 06:42:56 UTC（7,278 KB）
[v3]
2026年10月2日星期五 10:13:39 UTC（7,320 KB）
[v4]
2026年10月12日星期一 08:46:36 UTC（5,194 KB）
来源：arXiv cs.AI · arxiv.org