换个顺序，VLM「不会了」：EgoTSR让机器人判断任务是否真在推进

让我们想象一个场景：

机械臂夹起桌上的杯子，正准备把它放进盘子。下一秒，抓取失败，杯子重新掉回桌面。

从时间上看，后一幅画面发生得更晚；但从任务目标来看，机器人不仅没有取得进展，反而退回了原点。人类很容易看出这种变化，视觉语言模型却可能给出相反答案。

原因并不难理解。大量机器人视频都按正常时间顺序记录：先接近物体，再抓取，最后完成放置。在这样的数据里，「后面的画面更接近任务完成」往往成立。模型训练得越久，就越可能记住这条省力的捷径。它能认出杯子、盘子和机械臂，也能描述画面中的动作，却未必真正理解：这些动作究竟有没有推动任务向前。

针对这一问题，浙江大学等五所高校的研究团队提出 EgoTSR。研究从第一人称机器人视角出发，希望让 VLM 学会判断任务状态，并把这种能力进一步扩展到长程规划。团队构建了包含 4600 万条样本的 EgoTSR-Data，并设计了三阶段课程学习流程。

• 论文题目： From Perception to Planning: Evolving Ego-Centric Task-Oriented Spatiotemporal Reasoning via Curriculum Learning
• 研究团队： 浙江大学、天津大学、青岛大学、上海交通大学、新加坡国立大学等
• 论文地址：https://arxiv.org/pdf/2604.10517
• 代码链接：https://github.com/Collab-Gen/EgoTSR

时间偏置：后出现的画面，真的更接近任务完成吗？

EgoTSR 关注的并不是传统动作识别，而是一个更具体的问题：给定两张来自同一任务视频的图像，哪一个状态更接近任务目标？

例如：

把绿色杯子从桌上拿起来，放进白色盘子中。

模型不能只判断图中是否出现杯子和盘子，还要看杯子是否被抓住、是否正在移动、是否真正进入目标区域。

如果任务是「打开冰箱门」，门打开的状态更接近完成；如果任务是「关闭冰箱门」，判断恰好相反。同一幅图的任务意义，会随着目标发生变化。

真正可靠的模型还必须处理现实中的动作失败和状态回退：机械臂可能已经抓住物体，却在移动过程中将其掉落；抽屉可能被拉开，随后又因碰撞重新关闭；物体可能短暂到达目标区域，之后再次被移走。

因此，时间更晚并不意味着任务完成度一定更高。

研究团队将模型依赖输入顺序进行判断的现象称为「时间顺序偏差」，即 chronological bias。为了直接暴露这种捷径，EgoTSR 采用了一个简单但有效的办法：把同一对图像分别按照正向和反向顺序交给模型。

假设图像 B 比图像 A 更接近任务完成。

第一次输入为：

图像 A，图像 B。

正确答案是第二张图。

随后交换顺序：

图像 B，图像 A。

正确答案必须随之变成第一张图。

如果模型始终选择第二张图，那么它可能并没有分析物体状态，而是在根据图片位置猜测答案。

实验中，这种现象非常明显。以部分长任务评测为例，InternVL-8B 在正向输入下的准确率接近99%，但交换图像顺序后，准确率降至约2%。表面上接近满分的结果，经过反向测试后，暴露出严重的顺序依赖。

三阶段课程：先解释，再内化，最后规划

EgoTSR 没有把全部数据直接混合训练，而是按能力发展顺序分成三个阶段。

第一阶段使用约 1500 万条 CoT 数据：模型需要先描述两张图中的空间状态，再比较哪张图完成了更多必要动作，最后给出答案。这个阶段的重点，是建立视觉状态、任务目标和最终判断之间的联系。

第二阶段使用约 1600 万条 Tag 数据：详细推理文本被移除，只保留图像、任务和正确标签。模型需要直接判断哪张图更接近完成。作者希望将第一阶段形成的显式推理，逐渐转化为更快速的任务状态判断。

第三阶段加入约 1500 万条 LongTag 数据：把能力从单个动作扩展到长程任务。至此，三类数据合计 4600 万条。

子任务规划器：高层语义任务分解为多个细粒度子任务

「拿起杯子」是一个相对明确的原子任务，但真实机器人通常需要完成更复杂的目标。

例如：

打开冰箱，取出饮料，把饮料放到桌面，并重新关上冰箱门。

如果模型只看到「饮料已经被拿起」，可能会认为任务已经接近结束。但从完整目标来看，机器人还需要把饮料放到桌面，并关闭冰箱门。

为此，EgoTSR 引入了一个 Subtask Planner，也就是子任务规划器。它根据初始场景和高层任务描述，生成一组具有明确顺序的原子子任务。

上面的任务可以被拆解为：

1. 打开冰箱门；
2. 找到并抓取饮料；
3. 将饮料从冰箱中取出；
4. 把饮料放到桌面；
5. 关闭冰箱门。

这组子任务构成了整个任务的「逻辑骨架」。

模型看到两张图后，不再只比较局部物体位置，而是进一步判断：每张图分别位于任务链的哪个阶段，已经完成了多少必要步骤，后续还剩下哪些动作。

论文将长任务图像对分为三个层次：同一子任务内部、相邻子任务之间，以及跨越多个子任务的状态比较。随着跨度增加，模型需要利用的就不再只是局部视觉变化，而是整个任务的因果和顺序结构。

值得注意的是，这里的「规划」主要指高层任务分解和任务进度推理。EgoTSR 并不直接输出机械臂的关节角、力矩或运动轨迹，而是为机器人提供「任务进行到哪里」和「后续还需要完成什么」的认知基础。

双层评测：既看是否「看清除」，也看是否「想明白」

研究团队构建了 Dual-Level Evaluation Framework。

第一层是短程原子任务，考察模型能否捕捉细粒度空间变化，例如夹爪是否闭合、按钮是否按下、物体是否进入容器。这一层主要诊断模型是否「看错了」。

第二层是长程任务，要求模型结合子任务序列，判断两张图在完整任务中的相对进度。这一层主要诊断模型是否「想错了」。

两个层级都加入了正向和反向输入测试，用来检查模型是否依赖图像顺序。

最终，EgoTSR 在长程任务上取得 92.4% 的平均准确率，短程任务表现约为 88%。在长程双向评测中，正向准确率约 92.4%，反向约 92.3%，差距仅 0.1 个百分点。

消融实验也说明了训练顺序的重要性。将 CoT、Tag 和 LongTag 混合训练时，长任务准确率只有 69.6%；按「显式推理 — 能力内化 — 长程规划」的顺序训练后，准确率提升到 92.4%。去掉 Subtask Planner 后，准确率则下降到 81.1%。

从任务判断走向任务完成度监测

除了定量评测，研究团队还在人类操作视频、模拟环境和真实机器人平台上进行了案例验证，涉及 LIBERO、SIMPLER、RoboTwin，以及 Franka、Agibot 和 So-100 等机器人平台。

在「把绿色杯子放进白色盘子」的案例中，模型持续处理未经切分的完整视频，并输出一条任务完成度曲线。

当机械臂接近杯子时，曲线缓慢变化；完成抓取和放置等关键子任务时，完成度出现明显上升；中间的搬运过程则保持相对稳定。

这意味着 EgoTSR 不仅可以比较两张静态图，还具备用于长视频任务监测的潜力，例如判断机器人当前处于哪个阶段、是否发生了动作回退，以及任务是否正在按照预期推进。

机器人需要的不只是「看见」

从静态图像识别走向真实机器人，模型面对的问题发生了根本变化。

在图像问答中，识别出杯子、盘子和机械臂可能已经足够；但在具身任务中，模型还需要理解这些物体之间的变化是否服务于当前目标。

机械臂动了，不代表任务取得了进展；视频继续播放，也不代表机器人越来越接近成功。

EgoTSR 的价值，一方面在于提供了一种从显式推理逐步过渡到长程规划的训练路径；另一方面，它通过正向和反向图像对，为具身模型设计了一把更加严格的「尺子」。

当然，这项工作距离完整的通用机器人系统仍有明显距离，但它至少揭示了一个容易被高准确率掩盖的问题：

当一个模型声称自己理解了机器人视频时，它究竟是在分析物体、动作和任务之间的因果关系，还是只是在重复「后一张图通常更接近完成」这一数据规律？

对于希望进入真实世界的具身智能而言，回答这个问题，或许比单纯提高几个百分点的准确率更加重要。