SAGE：基于状态—动作图嵌入的可泛化物体状态识别统一框架

基于摘要分析。本文研究视频中物体物理状态及其变化的识别，提出 SAGE（State-Action Graph Embeddings），通过跨物体、跨动作共享的细粒度语言描述视觉概念，统一建模物理状态转换，目标是改善对未见物体与动作的泛化。 方法上，SAGE 先利用 Large Language Models 构建 State-Action Graph，再借助 Vision-Language Models 进行多模态细化。其核心思路是将状态分解为可复用概念，而非仅依赖预训练视觉语言模型直接识别状态，或将状态限定于特定物体与动作。摘要未说明图节点与边的具体定义、嵌入目标、训练损失及视频时序信息的处理方式，这些机制尚待全文核对。 作者报告，在开放世界的未见物体和动作评估中，SAGE 优于现有基线；在 novel state recognition 上，相比此前最佳方法最高提升 14.6%，推理时间低于该对照方法的 5%。摘要未明确提升所对应的指标、百分比与百分点口径、数据集、划分及计时条件，因此这些数值不能脱离原协议比较。实验协议、消融及统计信息尚未验证。作者表示将公开代码与数据，当前材料不能确认已发布。 本文主要研究对象是视频物体状态识别，而非 EEG/BCI，也不能因来源栏目名称而将其视为时序状态空间模型论文。其机制依赖语言可描述、视觉可辨识且跨对象共享的状态概念；材料尚未建立这些概念与 EEG 表征之间的具体对应关系，因此不提出 BCI 迁移效果判断或复现实验建议。相关 EEG 工作尚未检索确认。