视频推理：评估多模态大语言模型如何提取、整合与重构时空证据

随着具身智能体的兴起，对时空视频理解的需求日益增长，但现有基准多侧重于提取式推理。本文探讨了多模态大语言模型（MLLMs）执行抽象时空推理的能力，即整合时间观测、结合分散线索并推断隐含结构。为此，我们形式化了抽象时空推理任务，构建了可控的合成第一人称视频数据集，并提出了 VAEX-BENCH 基准，包含五项抽象推理任务及其提取式对照实验。实验揭示了当前 SOTA 模型在抽象任务上的局限性与底层瓶颈。