D&A：解耦描述与评估，使 VLMs 能够充当零样本机器人奖励模型

视觉语言模型（VLMs）在机器人学习中的零样本视频任务进度估计方面展现出潜力，但现有框架往往存在确认偏差：由于隐含的成功假设或基于相对时间排序的设计，它们会在执行失败时产生进度幻觉。直接对前沿模型使用简单提示，会使其退化为二元成功检测器，无法捕捉细微、非线性的进度变化和失败情况。尽管后训练方法可以通过显式训练缓解这一问题，但它们需要成本高昂的真实世界机器人数据，并且必须针对每个基础模型分别进行计算密集型后训练。为解决这些局限，我们提出 D&A（Describe & Assess）：该方法将进度估计解耦为两个阶段，首先生成以任务为依据、客观描述场景动态的文本，然后使用明确的评分准则进行评估。通过要求 VLM 在评分前生成基于文本的、明确的绝对成功定义，该框架将评估锚定于外部的全局标准，而非视频内部的时间线。实验结果表明，我们的方法能够校准零样本估计并缓解确认偏差，提供细粒度的部分进度指标，在准确惩罚失败执行的同时，对成功执行过程中的进度进行正确插值。作为一种纯提示驱动的方法，D&A 能够跨任务、机器人形态和基准泛化，达到或超越经过后训练的奖励模型的表现，其奖励估计还能支持高效的下游强化学习。