研究评估视频模型驾驶场景时序理解

2026年10月12日，arXiv Computer Vision（一手）发表《Mind the Temporal Gap》，评估视频-语言模型在驾驶场景中的时序理解能力。研究在受控自我运动任务中测试了标准提示、视觉提示、少样本提示和链式推理提示，发现这些方法均不可靠，且效果高度依赖具体任务与模型，并存在持续的类别偏差。目前报道仅涉及该研究结果，未见后续验证或应用进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。