ViSTR-Bench：MLLM 能否从动态场景中的连续视觉线索进行推理？

英文标题：ViSTR-Bench: Can MLLMs Reason from Continuous Visual Cues in Dynamic Scenes?

论文 ViSTR-Bench 关注多模态大语言模型（MLLM）能否基于动态场景中的连续视觉线索开展推理。原摘要指出，MLLM 虽然已在多类专家级任务中取得显著进展，但对于人类通过持续观察现实世界自然形成的一些基础能力仍存在不足。该研究以这一能力缺口为切入点，对开发者评估视频理解、时序感知与动态视觉推理能力具有参考意义。论文标注为 arXiv:2607.20868v1，发布类型为 new。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB