arXiv cs.AI· Dongjie Cheng, Ruifeng Yuan, Ran Wei, Ning Song, Yongqi Li, Wenjie Li·· 2 天前AI 评分32
CoWorld Reasoner：用演进视频世界模型驱动的智能体多模态推理框架
CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness
AI 导读
CoWorld Reasoner 是一个以视频世界模型（VWM）为统一视觉推理引擎的智能体框架，通过 Video World Model-Driven Harness 以工具形式暴露多种视觉操作，并用技能引导 VLM 决定是否想象、选择操作、构造生成请求并解读视觉证据。
正文 · AI 翻译
摘要：随着视觉语言模型（VLM）的进步，人们越来越期望它们能够对运动、动作和视角变化进行时空推理，而不仅仅局限于输入图像所展示的内容。视频世界模型（VWM）通过生成与任务相关的视觉内容作为额外证据，为视觉想象提供了一种自然的统一引擎。然而，现有方法通常通过以预定义视觉想象形式（如新视角合成）为中心的固定流程来调用 VWM。为了支持面向多样化推理任务的灵活视觉想象，我们提出了 CoWorld Reasoner，这是一个将 VWM 用作统一视觉推理引擎的智能体框架。其视频世界模型驱动 Harness 通过工具暴露多种视觉操作，并使用技能引导 VLM 决定是否进行想象、选择操作、构建生成请求以及解读生成的视觉证据。我们进一步提出了 VLM-VWM Harness 协同进化，它基于执行反馈联合修订工具、技能和执行代码，同时保持两个模型的权重固定。在涵盖空间智能、时间与因果推理以及感知推理的七个基准上，CoWorld Reasoner 的表现优于使用相同 VLM 的直接推理。最强变体在全部七个基准上均有提升，包括在 MMSI 上相对准确率提升 11.8%、在 ERQA 上提升 13.0%，并在五个基准上优于使用相同骨干网络的全部五个进化基线。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.21910 [cs.AI] |
| （或使用 arXiv:2610.21910v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.21910 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Dongjie Cheng [查看邮箱]
[v1]
2026年10月15日星期四 13:59:15 UTC（14,704 KB）
来源：arXiv cs.AI · arxiv.org