arXiv ID:
2607.11078
arXiv 提交日期: 2026-07-13
视频大语言模型真的在“看”吗?——长视频中角色追踪失败原因的诊断分析 / Do Video-LLMs Actually Watch? Diagnosing Character-Tracking Failures in Long-Form Video
1️⃣ 一句话总结
该研究发现,当前最强的视频大语言模型在长视频角色追踪任务中的高得分并非源于真正跟踪特定角色,而是主要依赖角色性别等粗浅线索,模型在更换问题中的角色名后很少改变答案,且无法区分同性别角色,真正理解视频内容的瓶颈在于无法将视频与问题中指定的人物关联起来。