仅凭最终目标成功不足以实现条件分支
对条件分支的公平评估，必须将“智能体是否到达了正确位置”与“它在每个分支点是否做出了正确选择”区分开来。2025年的LH-VLN基准通过引入三个指标明确体现了这一点：独立成功率（ISR）衡量每个子任务在单独执行时是否完成正确，条件成功率（CSR）衡量在所有先前子任务均正确的前提下，当前子任务是否完成正确，而基于真实路径加权的CSR（CGT）则根据真实路径实际经过每个子任务的频率对其进行加权[1]。通俗地说，ISR告诉你智能体能否独立处理单个分支，CSR告诉你它能否正确串联多个分支，而CGT则告诉你智能体是否在真正重要的分支上接受测试。如果没有这些指标，一个最终目标猜对了的模型，即使在每个条件点都走错了方向，也可能看起来表现成功。
公平的测试必须分别检验每种类型的条件指令
VLN中的条件分支并非单一技能——它涉及不同类型的决策，公平的评估必须分别测试这些决策。2024年，一个基于任务上下文无关语法的细粒度评估框架，生成了覆盖五类指令的数据：方向改变、地标识别、区域识别、垂直移动和数值理解[2]。研究发现，这些类别之间存在显著的性能差异，其中数值理解停滞不前，而模型在方向概念上表现出严重的选择性偏差[2]。这意味着单一的整体成功率可能掩盖系统性缺陷：一个模型可能在方向改变上表现出色，却在数楼层或数门时失败，而公平的评估应报告各类别的得分，以便弱点得以显现。
长视野和动态环境才是检验分支一致性的真正考验
条件分支的真正挑战在于，当智能体必须在不断变化的环境中，于众多连续决策之间保持一致时才会显现。LH-VLN基准正是针对这一问题而设计，其任务平均包含150个步骤——远超典型的VLN回合——并强调跨连续子任务的长期规划与决策一致性[1]。作者还提出了一个多粒度动态记忆模块来应对动态环境，这表明记忆与适应能力是随时间推移正确进行分支的关键[1]。与此相呼应，2021年一个用于VLN的循环BERT模型强调了依赖历史的注意力与决策的必要性，而这正是条件分支所要求的核心能力[4]。因此，一个公平的评估不应仅仅测试单个决策，还应测试智能体在后续分支依赖于先前选择时，能否记住并应用这些早期决策的能力。
关于这些来源
本回答基于5项同行评审研究——发表于2021年至2025年间，其中2项为2024年或之后发表，合计被引用276次——这些研究是从5项通过质量筛选的研究中选出的最具相关性的成果，而这些研究又源自从超过5亿条记录的数据库中检索到的36篇论文。
本文引用的文献
面向长时程视觉-语言导航：平台、基准与方法
提出了包含3，260个任务、平均150步的LH-VLN基准，并设计了三个指标（ISR、CSR、CGT），分别衡量子任务完成度、条件完成度以及基于真值加权的完成度，以满足对长时程分支任务进行细粒度评估的需求。
细察毫厘：视觉-语言导航的细粒度评估
开发了一个基于上下文无关语法和LLM辅助数据生成的细粒度评估框架，测试了五类指令，发现了显著的性能差异，包括数值理解方面的停滞以及对方向性概念的选择性偏差。
AerialVLN：面向无人机的视觉-语言导航
提出了AerialVLN，一个在包含25个城市级场景的3D模拟器中的无人机视觉语言导航任务，结果显示基线模型与人类表现之间存在显著差距，表明三维空间（包括高度）中的分支选择增加了地面任务未能涵盖的复杂性。
VLN↻BERT：一种用于导航的循环视觉-语言BERT模型
提出了一种用于视觉语言导航的循环BERT模型，该模型能够维持跨模态状态信息，在R2R和REVERIE基准上取得了最先进的结果，证明了历史依赖的注意力机制对导航决策的重要性。
视觉-语言导航：综述与分类
对视觉语言导航（VLN）任务进行了全面的综述与分类，将其划分为单轮与多轮、目标导向与路线导向等类型，并强调不同任务类型对智能体能力和模型设计提出了各异的要求。