高分不等于看懂视频：审计 Video LLM 基准的视觉依赖
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。
视频大语言模型
视频大语言模型真的在“观看”吗？诊断长视频中的角色追踪失败
本文通过九条件诊断协议，对InternVL2-8B、Qwen2.5-VL-7B等模型在InfiniBench基准上的表现进行深度剖析。研究发现，尽管模型在BBT验证集上达到37-38%的准确率，但主要依赖性别线索和位置偏差（如偏好选项E），而非真正的角色身份追踪。名称替换测试显示，模型对跨性别替换敏感，但对同性别替换不敏感。此外，帧采样策略导致的“注释结构混淆”也是性能波动的主因。本文提醒研究者警惕高基准准确率背后的虚假理解。