CaST-Bench：用于视频问答的因果链式基准测试
计算机视觉与模式识别
2026-05-25 v1
摘要
因果推理在视频中是 Vision-Language 模型 (VLM) 面临的重大挑战，因为它需要超越表面感知，深入理解因果机制。然而，现有基准测试很少提供精细且有依据的证据，以严格评估这一能力。为填补这一空白，我们引入 CaST-Bench，一个用于因果链式基准测试的时空视频推理基准。CaST-Bench 提出需要模型识别和局部化多个时空证据链的复杂因果问题。通过人类-AI 协作管道，我们构建了一个质量较高的 2,066 个问题数据集，覆盖 1,015 个视频，因果链由时间段和边界框轨迹标注。此外，我们设计了一个全面的评估套件，包含新指标，评估不仅关注答案的正确性，还关注视觉证据的依据推理能力。这种依据化是通过缓解伪相关性提高准确性、增强用户信任的关键因素，使模型更透明。我们的实验表明，当前 VLM 在因果问题上表现不佳，主要due于其有限的构建精确且依据化因果链的能力。这凸显了改进未来 VLM 的重要方向。
引用
@article{arxiv.2605.23216,
title = {CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering},
author = {Mingfang Zhang and Jingjing Pan and Ashutosh Kumar and Rajat Saini and Mustafa Erdogan and Hsuan-Kung Yang and Caixin Kang and Yifei Huang and Yoichi Sato and Quan Kong},
journal= {arXiv preprint arXiv:2605.23216},
year = {2026}
}
备注
CVPR 2026