TimeBlind：用于视频大语言模型的时空组合性基准
计算机视觉与模式识别
2026-02-26 v3 人工智能
摘要
细粒度的时空理解是视频推理和具身智能的关键。然而，尽管多模态大语言模型（MLLMs）在静态语义方面大显身手，其对时序动态的把握仍显脆弱。我们提出TimeBlind，一个用于时空组合理解的诊断性基准。灵感来自认知科学，TimeBlind将细粒度时序理解分为三个层次：识别原子事件、刻画事件属性、推理事件相互依赖。不同于那些混合识别与时序推理的基准，TimeBlind采用最小配对范例：视频对在静态视觉内容上完全相同，仅在时序结构上存在差异，利用互补问题中立化语言偏置。评估超过20个最先进MLLMs（如GPT-5、Gemini 3 Pro）在600个精选实例（2400个视频-问题对）上的表现，发现最佳MLLM的实例准确率（正确区分两个视频）仅为48.2%，远低于人类水平（98.2%）。这些结果表明，即便是前沿模型也严重依赖静态视觉捷径而非真正的时序逻辑，使TimeBlind成为下一代视频理解的关键诊断工具。数据集和代码已公开于 https://baiqi-li.github.io/timeblind_project/。
引用
@article{arxiv.2602.00288,
title = {TimeBlind: A Spatio-Temporal Compositionality Benchmark for Video LLMs},
author = {Baiqi Li and Kangyi Zhao and Ce Zhang and Chancharik Mitra and Jean de Dieu Nyandwi and Gedas Bertasius},
journal= {arXiv preprint arXiv:2602.00288},
year = {2026}
}
备注
For code and data, see https://baiqi-li.github.io/timeblind_project/