MINED：面向大型多模态模型的多模态时序知识探针与更新
计算与语言
2026-04-08 v4
摘要
大型多模态模型（LMMs）通过跨模态预训练编码丰富的事实知识，但其静态表示在维护对时序相关事实知识的准确理解方面存在挑战。现有基准受限于静态设计，无法充分评估 LMMs 对时序知识的理解能力。为此，我们提出 MINED，一个综合性基准，沿6个关键维度和11项具有挑战性的任务进行评估：认知、感知、可信度、理解、推理和鲁棒性。MINED 由维基百科构建，包含2,104个涵盖六种知识类型的时序相关知识样本，由两位专业标注员完成。评估15个广泛使用的 LMMs 显示，Gemini-2.5-Pro 在 MINED 上获得最高的平均 CEM 分数为63.07，而大多数开源 LMMs仍缺乏时序理解能力。此外，LMMs在组织知识方面表现最佳，而在体育知识方面表现最差。为此，我们探讨了通过知识编辑方法更新时序知识的可行性，观察到 LMMs 在单次编辑场景下能够有效更新知识。
引用
@article{arxiv.2510.19457,
title = {MINED: Probing and Updating with Multimodal Time-Sensitive Knowledge for Large Multimodal Models},
author = {Kailin Jiang and Ning Jiang and Yuntao Du and Yuchen Ren and Yuchen Li and Yifan Gao and Jinhe Bi and Yunpu Ma and Bin Li and Lei Liu and Qing Li},
journal= {arXiv preprint arXiv:2510.19457},
year = {2026}
}
备注
ACL 2026, Project Page: https://mined-lmm.github.io/