WOVEN：将视觉世界建模编织进多模态大模型

一篇 arXiv 论文提出 WOVEN，用视频预训练生成模型的真实推演数据构建视觉转场推理训练源与基准，含 36,076 个样本，覆盖 20 种场景、5 种动作与 8 种推理类型。作者先评测 38 个前沿 MLLM（如 GPT-5.4、Qwen3-VL-235B-A22B），发现系统性缺陷；再用 WOVEN 训练多规模模型，约 2,000 条的子集使 26 个外部基准中 22 个提升，最高 27.3 个百分点，并可替代任务自有训练数据的 30-50%。

此前空间、具身、物理与时间推理的缺陷被各基准分别记录，缺少跨场景、动作与推理操作的受控对比。WOVEN 把这些失败归因于共享的视觉转场推理不足，并提供统一训练源和基准，使同一能力可跨监督来源学习、跨任务复用，且给出了可前瞻验证的训练配方。

论文假设 MLLM 的多类推理失败来自同一个视觉转场推理缺口，因此把转场监督按场景、动作、推理类型组织成可训练原语，用视频预训练生成模型的多样化真实推演做监督。若该能力真为共享原语，少量样本即可在多任务上迁移，并可与任务自有数据部分互换。

若结论可复现，团队可用少量 WOVEN 数据替代 30-50% 的任务自有训练数据，降低数据采集与标注成本；在机器人、具身智能、视频理解等需要时空与物理推理的产品中，可把视觉转场推理作为通用预训练或微调环节，而非每个任务单独造数据。

• 先在小规模自有任务上复现 2,000 条 WOVEN 子集的迁移效果，验证是否可替代部分自有训练数据。
• 将视觉转场推理评测加入模型选型流程，补充现有空间、时间推理基准的盲区。
• 按场景、动作、推理类型拆解自身产品失败案例，判断是否可用 WOVEN 数据定向补齐。
• 评估用视频预训练生成模型合成推演数据，替代部分人工标注视频数据的成本可行性。

• WOVEN 数据集与基准是否已公开、以何种许可发布？
• 论文所述 22/26 基准提升与 27.3 个百分点，是否有第三方独立复现？
• 替代 30-50% 任务自有数据时，哪些任务类型不适用或会掉点？
• 训练配方的具体选择规则是什么，是否依赖特定模型规模或架构？