VGenST-Bench：通过主动视频合成进行时空推理的基准

时空推理是多模态大语言模型（MLLM）在现实世界运行的核心能力，精确评估该能力至关重要。现有基准多依赖静态图像或被动 curated 视频数据，限制了细粒度推理能力的评估。本文提出 VGenST-Bench，利用生成模型主动合成高度可控且多样的评估场景。我们构建了包含人类质量控制的多智能体流水线，并建立了涵盖空间尺度、视角和场景动态的综合分类法。此外，设计了分层任务套件，将低层视觉感知与高层时空推理解耦，实现了对 MLLM 时空理解能力的细粒度诊断。