先求证再行动：视觉语言导航中的证据寻求与进度落地

arXiv 论文提出 SeekVLN，针对 Vision-Language Navigation 中的 Progress Myopia 问题：VLM 导航智能体在缺少任务相关证据时仍自信前进、导致迷路。该框架把语义进度推理与主动获取任务相关观察结合，训练分两阶段：先用 Future-guided Reverse Generation（FRG）以未来专家动作扩充离线轨迹并生成证据标注，做监督微调；再用 Counterfactual Contrastive Policy Optimization（C2PO）做强化微调，对比证据寻求分支与直接导航分支，按后续导航收益分配信用。模拟基准实验显示其取得一定效果。

此前 VLM 导航智能体多只对已有观察做推理，缺少对“证据是否充分”的自我判断，容易在视野不足时继续行动。该工作把主动观察获取纳入训练目标，并用反事实对比把寻求行为与导航收益挂钩，使导航从被动推理转向可评估的证据获取决策。

机制分两层：FRG 借助未来专家动作反向生成补充视角与证据标注，让模型在无额外专家交互下先学到“何时该看”的先验；C2PO 则在同一状态下对比寻求分支与直接前进分支，用对比奖励判断寻求是否真正带来后续导航改善，从而避免单纯模仿无法验证收益的问题。

对机器人、具身智能与自动导航类产品，这意味着可在不增加专家标注交互的前提下，用离线轨迹增强加反事实强化微调，改进智能体在视野受限场景下的决策可靠性，降低迷路与无效前进带来的执行成本；研发上需引入可对比的分支评估流程。

• 在仓储或室内配送机器人上，用主动转头/变焦补足视野盲区，并记录证据寻求动作以评估任务成功率。
• 把 FRG 的轨迹增强流程产品化为数据管线，用未来动作自动为离线轨迹补视角与证据标注，减少人工标注。
• 在导航 Agent 评测中加入反事实分支对比指标，衡量每次证据寻求是否提升后续导航收益。

• 论文在哪些模拟基准上评测，真实场景迁移效果如何？
• SeekVLN 相较基线具体提升幅度与失败案例分布如何？
• C2PO 的对比奖励设计对训练稳定性与算力开销的影响有多大？
• 主动获取观察在真实硬件上的时延与能耗代价是否可接受？