계획 수립에는 토큰 예측 그 이상이 필요하다: 물리적으로 그라운딩된 체화 추론기 벤치마킹 및 구축을 위한 Causal Plan
Planning Takes More Than Token Prediction: Causal Plan for Benchmarking and Building Physically Grounded Embodied Reasoners
체화된 비전-언어 계획 수립(embodied vision-language planning)을 위한 기존 벤치마크들은 물리적으로 그라운딩(grounding)된 다음 상태 추론보다 언어적 다음 토큰(token) 예측을 의도치 않게 선호합니다. 이는 진정한 인과적 의존성을 추적하기보다는 통계적 언어 사전 확률을 모방하는 모델에 보상을 주어, 복잡한 물리적 계획 수립을 피상적인 시퀀스 모델링으로 전락시킵니다. 따라서 진정한 물리적 자율성을 달성하려면 언어적으로 그라운딩된 토큰 예측에서 물리적으로 그라운딩된 인과 추론으로의 근본적인 전환이 필요합니다. 이를 위해 본 연구에서는 다단계 검증을 통해 큐레이션된 4가지 인과 차원을 아우르는 고충실도 진단 스위트인 Causal-Plan-Bench를 소개합니다. 모델에 이러한 역량을 부여하기 위해, 4단계 주석 파이프라인을 통해 1인칭 시점(egocentric) 비디오에서 정형화된 상호작용 기록을 추출하여 명시적 인과 추론 궤적을 담은 100만 규모의 조밀한 말뭉치인 Causal-Plan-1M을 구축합니다. 광범위한 평가 결과 주목할 만한 격차가 드러났습니다. 선도적인 모델들도 진정한 물리적 에이전시(physical agency)를 입증하는 데 어려움을 겪으며, GPT-6-astra조차 43.04점에 그쳤습니다. 대조적으로, 본 연구의 맞춤형 학습(training) 레시피는 Causal Planner가 정확한 다음 상태 추정에 필요한 복잡한 물리적 논리를 내재화할 수 있도록 합니다. Qwen3-VL-8B를 기반으로 구축된 Causal Planner는 백본의 점수를 33.23에서 45.28로 끌어올려 상대적으로 36.3%의 향상을 달성했으며, 벤치마크 맞춤형 적응 없이도 3개의 외부 벤치마크에서 성능을 개선했습니다. 나아가 본 연구는 경험적인 인과 감독 스케일링(Causal-Supervision Scaling) 트렌드를 관찰했습니다. 쌍을 이룬 무시각 대조군(no-vision controls)은 상당한 시각적 의존성을 드러내는 한편, 교차 평가자 비교 및 인간 평가를 통해 자동화된 평가의 신뢰성을 검증합니다. 무엇보다도, 본 연구는 에이전트를 피상적인 토큰 예측기에서 물리적으로 그라운딩된 인과 추론기로 전환하여 언어 모델링과 월드 모델링의 간극을 메우는 최초의 시도를 시작합니다.