MotionBlind

新的MotionBlind基准揭示视频大语言模型在运动理解方面存在不足

一个名为MotionBlind的新基准已被开发出来，用于测试视频大语言模型（Video-LLMs）的运动理解能力。研究人员发现，大多数开源的Video-LLMs表现不佳，即使在呈现清晰的视觉数据时，也常常无法区分不同的运动速度或方向。虽然Gemini-3.1 Pro有所改进，但在准确评估速度方面仍有困难，这表明当前的Video-LLMs在需要真正理解运动的任务中尚不可靠。