Baiqi Li

新基准揭示视频大模型在时间理解方面存在困难

研究人员开发了TimeBlind，一个旨在测试视频大语言模型（LLMs）时空理解能力的新基准。该基准采用最小对范式，呈现视觉上相同但仅在时间结构上有所不同的视频，以将时间推理与静态视觉线索区分开来。评估显示，即使是GPT-5和Gemini 3 Pro等先进模型，表现也差强人意，准确率仅为48.2%，而人类的准确率为98.2%，这表明模型严重依赖视觉捷径而非真正的时间逻辑。