待验证50% 置信事实精确时间
现有基于VLM的任务进度估计框架普遍存在确认偏差，容易在失败执行中幻觉出进度。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
D&A：解耦描述与评估，让VLM成为零样本机器人奖励模型
rss2026/11/2
涉及实体
相关事实
待验证VLM 在空间推理任务上的高准确率可能掩盖了表征层面的根本缺陷，依赖词汇统计捷径而非真实空间表征78% 相似待验证微调值得评估的场景是模型已获得充分信息却反复无法按要求完成任务，信号包括输出schema不一致、分类结果不稳定、领域术语被误解等74% 相似待验证现有 VLA 加速器（如动作分块、视觉 token 剪枝、量化编译）普遍只报告平均任务成功率，掩盖了闭环执行中可能出现的级联失败风险。74% 相似待验证研究者在主流 LVLMs 上进行了实验，结果显示当前顶级模型在面对同时具备长文档规模与冗余干扰的任务时表现远未达到理想水平72% 相似待验证为已有的VLM赋予生成能力时，往往会损害模型预训练积累的理解能力，出现灾难性遗忘（catastrophic forgetting）72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130293API
curl https://kongchang.com/api/v1/knowledge/claims/1130293MCP
get_claim(id=1130293)