arXiv · 机器人与计算机视觉· Farrukh Rahman·· 14 小时前AI 评分65
视频 VLM 时序基准分数的含义:分解通道使用
What Does a Temporal Benchmark Score Measure? Decomposing Channel Use in Video VLM Evaluation
AI 导读
该论文指出视频问答基准分数常混淆“问题是否真正需要时序”与“模型如何获取时序(视觉内容或位置编码)”。研究通过反转帧顺序并对比标签,区分了依赖视觉序列的 Qwen3-VL 和依赖位置编码的 Molmo2。结果表明两者对输入失效情况不同,不能互换使用。
来源:arXiv · 机器人与计算机视觉 · arxiv.org