视频模型距离真正的多模态推理还有多远？

尽管通用视频模型进展显著，但其是否具备真正的多模态推理能力仍存疑。现有基准因任务设计简单且指标碎片化，无法严谨评估复杂推理。为此，本文提出 CLVG-Bench，通过视频生成中的上下文学习探测零样本推理能力，涵盖物理模拟、逻辑推理等复杂场景。同时引入自适应视频评估器（AVE），以最少标注实现类人专家评估。实验表明，即便最先进模型在逻辑 grounded 和交互式生成任务上表现严重不足，揭示了多模态推理的关键瓶颈。