基础模型自动标注

AXG-Reasoner：基于视觉语言模型的长任务视频错误检测与解释

AXG-Reasoner: Error Detection and Explanation in Long Task Videos with Vision-Language Models

用冻结 VLM 配合动作执行图（AXG）与时序动作分割模型，把长视频切分成细粒度子动作片段，再用少量关键帧和增强提示逐段查询 VLM 做错误检测与解释；这套「TAS 分段 + 图对齐 + 稀疏关键帧查询」的流程可直接迁移到长视频中稀疏事件定位与细粒度时序推理任务。