AnchorReasoning：长尾自动驾驶场景下的视觉接地与因果推理数据集

研究团队提出 AnchorReasoning，一个基于 WOD-E2E 构建的视觉接地推理数据集，包含 416,119 个标注帧和 395,379 个决策关键元素，覆盖 4 大类、19 种细粒度类型。每帧组织为视觉接地思维链（VG-CoT），串联元素识别定位、属性与含义、驾驶动作理由及轨迹规划，并配套课程式监督微调策略与物体尺寸感知的接地评测指标。在 8 个通用、具身 AI 与自动驾驶骨干模型上，5 秒 ADE 和 FDE 分别下降 7.84 和 11.86，RFS Frame 与 Cluster 提升 1.66 和 1.70，同时平均减少 18.5 个推理 token，推理延迟降低 0.32 秒/帧。

此前驾驶数据集对“决策关键视觉证据”与推理、规划之间的监督联系有限，VLM 在长尾场景中难以把看到什么与为何这样开对齐起来。该工作把接地、因果推理和轨迹规划串成一条可训练链路，并给出跨 8 个骨干模型的一致改善，说明这种监督方式在长尾驾驶任务中具备可复现价值，而不只是单一模型的调优结果。

机制在于用 VG-CoT 把每帧拆成层级监督信号：先定位决策关键元素，再描述其属性与含义，随后给出驾驶动作理由，最后落到动作与轨迹。课程式监督微调让模型逐级学习这些能力，避免一次性拟合复杂推理链；物体尺寸感知的接地指标则针对小目标定位质量单独评估，使接地评分不因目标尺度差异而失真。

对自动驾驶与具身 AI 研发而言，这套数据集和微调策略可直接用于后训练阶段的推理与规划对齐，提升长尾场景轨迹预测质量；token 减少与延迟下降意味着同等算力下可支撑更高频推理或更低推理成本。团队若自建数据管线，需增加决策关键元素的层级标注环节与对应质检标准。

• 将 VG-CoT 标注流程产品化为数据标注与质检工具，面向自动驾驶数据团队交付帧级四段式标注模板与验收指标。
• 在 VLM 后训练服务中打包课程式监督微调方案，按层级能力分阶段交付模型微调与评测报告。
• 针对小目标接地质量，提供物体尺寸感知的评测模块，用于模型选型与回归监控。
• 以 5 秒 ADE/FDE 与 RFS 为基准指标，建立长尾驾驶场景的第三方模型评测服务。

• AnchorReasoning 与 WOD-E2E 数据集是否公开、以何种许可发布尚不明确。
• ADE/FDE 与 RFS 指标的绝对基线数值未在证据中给出，改善幅度的相对意义待确认。
• 课程式监督微调的具体阶段划分与超参设置未披露，复现成本未知。
• 0.32 秒/帧的延迟下降对应何种硬件与推理配置，证据未说明。