自我规范：物理社会规范理解的基准测试

本研究针对机器在物理和社会背景下缺乏规范理解和推理的gap，通过提出EgoNormia数据集，包含1853个以自我为中心的人际互动视频，评估视觉语言模型(VLMs)的规范推理能力。研究发现，当前最先进的VLMs在规范理解方面表现薄弱，最高得分仅为45%，而人类评分达到92%。