是时候做对了：提升视觉语言模型中的模拟时钟读取与时针空间推理能力

尽管视觉语言模型（VLM）在多模态推理任务上表现优异，但在真实场景中读取模拟时钟仍面临巨大挑战。现有数据集多为合成或平面图像，缺乏多样性，导致模型时空推理能力薄弱，常混淆时针分针且难以应对遮挡等干扰。为此，本文提出了包含多样真实场景的人工标注数据集 TickTockVQA，并提供精确的时分标注及上下文推断的 AM/PM 标签。此外，作者提出基于直接偏好优化的 Swap-DPO 微调框架，以对齐模型的准确时间解读推理。实验表明，该方法显著提升了模型在真实条件下的读数准确率与鲁棒性。