一项新研究提出了一种区分视频模型对时序顺序的理解与其对位置编码依赖性的方法。“反转剔除”技术在位置编码保持不变的情况下，评估当视觉序列被反转时准确性如何变化。这有助于识别模型是真正掌握了时序关系，还是仅仅使用了位置信息。研究发现，Molmo2等模型严重依赖位置数据，而Qwen3-VL则表现出更强的解读视觉序列的能力，这表明相似的基准分数可能掩盖了不同的潜在失败模式。 AI
影响 引入了一种新颖的评估方法，以更好地评估视频模型的时序理解能力，可能带来更强大的AI系统。
排序理由 学术论文，介绍视频模型的新评估方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
