技术摘要：MonitorVLM-v2

问题陈述

大型视觉语言模型（VLMs）通过思维链（CoT）提示展示了先进的多模态推理能力。然而，将其应用于工业安全监控面临着根本性的部署失配问题。安全关键型环境（如地下矿井）要求持续、多流监控，且决策必须是确定性的、低延迟的且可审计的。

现有的 VLM 方法依赖于自回归 CoT 生成，这会产生变长的文本推理轨迹。这造成了吞吐量瓶颈，因为推理延迟会随推理长度和并发视频流数量的增加而共同增长。此外，自由形式的文本输出缺乏用于确定性控制和稳定多流吞通过程所需的结构化接口。目前的流水线通常依赖于碎片化的证据（目标检测、动作识别）或语义相似度评分（如 CLIP），这些方法无法将视觉证据转化为实现即时人工干预所需的受限规则级决策。

方法论

MonitorVLM-v2 通过将安全评估重新定义为在有限的监管决策空间上的概率推理，而非开放式文本生成，来解决这些挑战。该框架集成了三项核心创新：

1. 推理到决策的压缩 (Reasoning-to-Decision Compression)

该框架使用单步符号决策取代了自回归 CoT 生成。

• 受限符号空间： 安全监控被表述为对来自有限集合 $Y = \{y_0, \dots, y_K\}$ 的规则 ID token 进行预测，其中 $y_0$ 代表无违规，$y_{1\dots K}$ 对应特定的安全法规。
• 复杂度降低： 通过将输出限制为单个 token，解码复杂度从 $O(T)$（$T$ 为生成的 token 数量）降低到 $O(1)$，从而使推理成本与输出长度解耦。
• 规则-Token 置换 (Rule-Token Shuffling, RTS)： 为了防止模型记忆固定的 token 身份，在训练期间会定期置换法规与 token 之间的映射关系。这迫使模型基于视觉-监管的对应关系进行条件推理，而非依赖静态的 token 索引关联。

2. 符号策略优化 (Symbolic Policy Optimization, SymPO)

标准的监督微调（SFT）旨在最大化 ground-truth token 的似然度，但并未显式抑制错误的备选选项，导致在模糊场景下决策边界较弱。

• 对比学习： SymPO 是一种专为有限符号空间设计的创新对比策略优化算法。它为 ground-truth 规则 ID 分配 $+1$ 的奖励，并为所有错误的备选选项分配 $-1$ 的奖励。
• 决策边界锐化： 通过惩罚竞争性假设，SymPO 将概率质量集中在正确的规则上，同时抑制高置信度的干扰项，从而提高在视觉模糊条件下的判别能力。

3. 基于熵的人机分流 (Entropy-Guided Human-AI Triage)

系统将预测不确定性视为一种可衡量的信号，而非干扰因素。

• 不确定性量化： 计算符号决策分布的香农熵（Shannon entropy）。
• 自适应路由：
  • 低熵： 预测被路由至 Top-1 路径，用于快速人工确认。
  • 高熵： 指示感知冲突的情况会被提升至紧凑的 Top-3 候选集，供专家进行检查。
• 可审计性： 该机制确保了 100% 的人工监督，在自主推理与人类判断之间建立了一个可扩展的接口。

关键结果

该框架通过受控实验以及在某运营地下矿井进行的为期四个月的实地部署（包含 10 路并发摄像机馈送）得到了验证。

• 推理效率： 与基于 CoT 的基准模型相比，MonitorVLM-v2 的推理速度实现了 19.45 倍 的提升，将每段视频的延迟从 3.82–6.41 秒降低至 0.15–0.39 秒，满足了亚秒级吞吐量的要求。
• 准确率与判别力：
  • 使用规则 ID 监督（配合 RTS）取代 CoT，仅导致平均准确率下降了 4.66%，同时大幅提升了速度。
  • 最终模型（以 Qwen3-2B 为骨干网络 + SymPO）达到了 69.84% 的准确率，优于零样本能力的商业模型（如 Claude Sonnet 4.6，为 56.73%）以及经过微调的开源基准模型。
  • SymPO 显著提高了召回率 (74.73%)（相比之下 SFT 为 58.14%），在不牺牲精确度 (87.94%) 的情况下捕捉到了更多的真实违规事件。
• 运营表现：
  • 在四个月的连续 24 小时监控中，系统识别出了 89 起确认的违规行为。
  • 这达到了该现场常规人工巡检工作流（每日覆盖 18 小时，识别 32 起违规）识别数量的 2.78 倍。
  • 系统识别出的违规行为中有 64 起被人工检查员漏掉，而人工识别出的 7 起则被系统漏掉，证明了两者具有互补能力。
• 误差分析： 残余误差并非随机分布，而是呈现结构化特征，集中在低照度、严重遮挡或视角畸变的场景中。基于熵引导的分流机制成功将 28.65% 的困难案例（高熵）路由至专家评审，在测试集中额外找回了 247 个案例。

意义与主张

本文声称 MonitorVLM-v2 是首个实现长期验证、持续运行并用于受规则约束的工业安全监控的 VLM 框架。其重要性在于：

1. 范式转变： 它证明了对于受限的监管任务，显式的自然语言推理轨迹在功能上并非必要。推理的功能可以通过在有限符号空间上的校准决策分布来捕捉。
2. 部署可行性： 通过将推理压缩为常数成本 ($O(1)$) 的解码，解决了 VLM 在多流环境中的吞吐量瓶颈，实现了实时、可审计的工业部署。
3. 人机协同： 通过将不确定性操作化，该框架建立了一个实用的接口，使 AI 处理高吞吐量的筛选工作，而人类则专注于存在歧义的高风险场景。
4. 闭环自适应： 受限的规则 ID 标注空间使得迭代式自适应变得可行。通过利用高熵失败案例的反馈循环，系统的检测准确率从 69.84% 提升至 77.21%，作者认为这一过程在自由形式的 CoT 监督下更难实现。

作者将该系统定位为人类监督的补充而非替代品，它是一个持久的监控引擎，旨在减轻因注意力疲劳和不连续覆盖导致的漏报问题，同时确保法律责任仍由人类操作员承担。