摘要
多模态大语言模型(MLLMs)虽在专家级任务中表现优异,但在人类通过连续观察自然习得的空间感知与动态推理等基础能力上仍显不足。现有基准多关注静态场景或定量预测,忽视了对时间线索的直观推理评估。本文提出 ViSTR-Bench,旨在系统评估 MLLMs 是否能从动态场景的连续视觉线索中进行定性推理。该基准涵盖运动感知、空间关系、结果预测及物理动力学四个维度,包含 15 个子任务和 1340 个高质量视频问答对。评估显示,当前模型在复杂时空推理方面仍存在显著瓶颈,远未达到人类水平。
AI 推荐理由
论文核心聚焦于评估 MLLM 在动态场景下的时空推理能力,直接针对推理机制。
研究机构
北京航空航天大学 北京市 100191
论文信息