多模态评估

本文提出视觉依赖差距（VDG）指标，证明视频大语言模型的基准准确率与视觉 grounding 能力是可解离的。通过黑屏对照和 McNemar 检验，揭示多数基准测试中的“推理”任务实际上由语言先验驱动。实验覆盖 20 个模型，发现帧多样性是视觉贡献的主要来源，而时间顺序贡献接近于零。