PROBE：基于操作的 VLM Agent 视觉问答

英文标题：PROBE: Manipulation-Grounded Visual Question Answering with VLM Agents

论文提出 PROBE，聚焦以物理操作为基础的视觉问答任务。摘要指出，视觉语言模型（VLM）在静态场景中的二维定位、空间推理和基于工具的 Agent 规划方面表现出色，但面对被遮挡或隐藏的物体时仍存在局限。该研究以家庭机器人查询药品是否仍在柜中为例，强调 Agent 需要通过操作环境获取答案，而非仅依赖静态视觉观察。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB