知识卡片：生成式教程——面向物理任务的实时情境化视觉指导

一句话结论

Generative Tutorial 提出一种面向物理任务的实时情境化视觉指导框架，并通过增强现实（AR）原型与 24 人实验室研究显示：相比预先编写的指导，该系统带来更高的任务表现质量、更强的感知工作空间对应性，以及更短的步骤确认间隔。

事件概述或研究问题

物理任务的视觉指导通常在一个情境中被制作，却在另一个情境中被使用。用户需要把演示中的工具、材料和空间关系，自行“翻译”到自己的环境中。该研究关注的问题是：能否让视觉指导实时贴合用户当前的工作空间与任务流程，而不是要求用户跨情境迁移预先制作的教程内容。

方法/产品要点

• 提出概念框架 Generative Tutorial，用于实时、情境化的视觉指导。
• 对当前先进的图像与视频生成进行形成性评估，在 15 项物理任务中识别失败点与潜在收益。
• 基于这些发现构建 AR 原型系统。
• 原型系统利用观察到的工作空间上下文，以及对前序动作视觉结果的预测，主动生成目标图像和演示视频。
• 研究与评测对象包括形成性评估、AR 原型，以及 24 名参与者参与的实验室研究。

主要结果或产业意义

• 在 24 人实验室研究中，相比预先编写的指导，使用该系统的参与者表现出：
  • 更高的任务表现质量；
  • 更强的感知工作空间对应性；
  • 更短的步骤确认间隔。
• 定性发现指出：
  • 情境相似性会塑造信任；
  • 生成错误会影响用户对指导的解读；
  • 指导交付方式应适应用户需求。
• 产业意义：对 AR 指导、生成式教程、物理任务辅助系统等方向有参考价值；具体落地场景、部署成本与真实环境效果待核实。

为什么重要

该工作把生成式视觉指导从“生成通用教程素材”推进到“在用户现场和任务流程中生成贴合情境的目标图像与演示视频”。这有助于减少用户在工具、材料和空间关系上的跨情境转换负担，也提示未来系统设计需要同时处理信任、生成错误解释和自适应交付问题。

与已有相关卡片相比，本条并非直接延续“手术世界-动作建模”“GaP 图式策略多智能体”“VLM 交通标志状态评估”等脉络；其增量信息在于：聚焦 HCI/AR 场景中的生成式视觉教程框架、AR 原型及用户研究。

局限与不确定性

• 来源为 arXiv 摘要页与摘要摘录，完整论文细节待核实。
• 同行评审状态待核实。
• 15 项物理任务的具体任务清单、任务难度与选择标准待核实。
• 使用的图像/视频生成模型、预测方法与 AR 硬件细节待核实。
• 24 名参与者的背景、统计方法、效应量、显著性结果待核实。
• 生成错误率、错误类型及用户如何纠错待核实。
• 实验室研究结果能否推广到真实工作环境、长期使用与不同用户群体，待核实。
• 隐私、安全、成本与可持续使用等问题在来源中未展开，待核实。

可用于图书/PPT/简报的角度

• 从“预先制作教程”到“现场生成教程”：视觉指导范式的转变。
• AR + 生成式模型：让目标图像和演示视频贴合用户工作空间。
• 物理任务指导中“跨情境翻译负担”的问题定义。
• 形成性评估 + 实验室对照研究的混合评测路径。
• 信任与生成错误：情境相似性如何影响用户对指导的接受与解释。
• 自适应指导交付：根据用户需求调整指导内容与呈现方式。
• 人机交互与基础模型结合：生成式能力进入真实物理任务支持场景。

原始材料

• 英文标题：Generative Tutorial: Towards Live Contextualized Visual Instructions for Physical Tasks
• 作者：Muzhe Wu, Zuchen Li, Xu Wang, Anhong Guo
• 发布/更新时间：2026-09-21T17:46:25Z（发布与更新相同）
• 主分类：cs.HC
• 分类：cs.HC, cs.AI
• arXiv ID：2609.24955v1
• Abstract URL：https://arxiv.org/abs/2609.24955v1
• PDF URL：https://arxiv.org/pdf/2609.24955v1
• 英文关键词：来源未提供关键词列表，待核实；标题中英文短语包括 Generative Tutorial、Live Contextualized Visual Instructions、Physical Tasks。