TPRU：推进大型多模态模型的时序与程序性理解

多模态大语言模型（MLLM），尤其是较小的可部署变体，在理解时序与程序性视觉数据上存在关键缺陷，成为其在现实具身AI中应用的瓶颈。这一缺口主要源于训练范式的系统性缺失——缺乏大规模、程序上连贯的数据。为解决该问题，我们提出TPRU，一个大规模数据集，取材自机器人操作与GUI导航等多样具身场景。TPRU经系统设计，通过三个互补任务培养时序推理：时序重排（Temporal Reordering）、下一帧预测（Next-Frame Prediction）与上一帧回顾（Previous-Frame Review）。一个关键特性是加入具挑战性的负样本，促使模型从被动观察转向主动的跨模态验证。我们以强化学习（RL）微调方法利用TPRU，专门面向提升资源高效型模型。实验显示方法收益显著：在人工整理的TPRU-Test上，TPRU-7B准确率从50.33%跃升至75.70%，这一最先进结果显著优于包括GPT-4o在内的大得多的基线。关键是，这些能力能有效泛化，在既有基准上取得显著提升。代码库见 https://github.com/Stephen-gzk/TPRU/ 。