空间时间推理

本文介绍 ViSTR-Bench，一个针对动态场景定性推理的新基准。研究发现，尽管 MLLMs 在静态任务上表现优异，但在处理连续视觉线索时存在严重缺陷，准确率远低于人类。论文通过四维框架诊断错误类型，并证明引入显式视觉证据（如 VGGT-Ω 和 WAFT）比单纯依赖文本思维链更有效。注意：当前模型在物理动力学预测上仍表现薄弱。