ViSTR-Bench

新的ViSTR-Bench评估多模态大语言模型动态场景推理能力

一个名为ViSTR-Bench的新基准被引入，用于评估多模态大语言模型（MLLMs）的空间-时间推理能力。该基准侧重于从动态场景的连续视觉线索中进行定性推理，弥补了现有评估通常关注静态场景或需要精确量化预测的不足。ViSTR-Bench包含15个子任务和1300多个视频问答对，评估运动感知、空间关系、结果预测和物理动力学。初步评估显示，当前最先进的MLLMs在复杂空间-时间推理方面仍远落后于人类表现。