待验证50% 置信观点精确时间
WorldGuide 证明了闭环规划-执行架构在程序性视频任务中的可行性，但 33.33% 的任务成功率说明长时序视觉记忆效率、原子动作粒度匹配和跨类别泛化能力等问题仍未解决。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证通过单帧空间关系描述实验，研究者证明Video-LLM的底层感知能力是完好的，问题根源在于语义先验劫持推理过程70% 相似待验证当前主流视觉-语言模型在处理长视频时受制于有限的帧预算、随视觉token增长而飙升的计算成本，以及超长上下文中的检索失败问题68% 相似待验证即便配备5090级别显卡，本地大模型在视觉多模态任务上的性能与响应速度仍需仔细调优68% 相似待验证视觉Agent当前的技术挑战包括坐标映射的精度、多步推理的误差累积、动态环境的状态跟踪68% 相似待验证OSWorld 2.0任务中最常见的挑战是跨源推理（42.6%）和视觉空间精度（41.7%），隐式状态推断和多项目状态跟踪各占39.8%66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012791API
curl https://kongchang.com/api/v1/knowledge/claims/1012791MCP
get_claim(id=1012791)