CausalStep：面向视频中显式逐步因果推理的基准

大语言模型（LLM）的最新进展提升了文本与图像领域的推理能力，但实现稳健的视频推理仍是一项重大挑战。现有视频基准主要评估浅层的理解与推理，并允许模型利用全局上下文，未能严格评估真正的因果与逐步推理。我们提出 CausalStep，一个专为视频中显式逐步因果推理设计的基准。CausalStep 将视频分割为因果相连的单元，并强制执行严格的逐步问答（QA）协议，要求按顺序作答以防止捷径解。每个问题均包含基于错误类型分类法精心构建的干扰项，以确保诊断价值。该基准包含横跨六个类别的 100 个视频和 1,852 个多项选择 QA 对。我们引入七个诊断指标进行全面评估，实现对因果推理能力的精确诊断。在领先的专有与开源模型以及人类基线上的实验表明，当前模型与人类水平的逐步推理之间存在显著差距。CausalStep 为推动稳健且可解释的视频推理提供了严格的基准。