VideoZeroBench：通过时空证据验证探究视频多模态大模型的极限

近期视频多模态大模型在各类基准测试中表现优异，但现有评估存在两大局限：一是高分可能掩盖细粒度视觉理解与推理的缺陷；二是往往未验证模型是否识别出支持预测的精确时空证据。为此，本文提出 VideoZeroBench，一个针对长视频问答的分层基准，严格验证实时空证据。该基准包含 13 个领域的 500 个手动标注问题，并配有时间区间和空间边界框作为证据。实验表明，即便最强模型在需同时满足正确回答及准确时空定位时，准确率也不足 1%，暴露了基于证据的真实推理能力的显著缺失。