Tag · 5 篇
时空推理
在动态中思考：多模态大语言模型如何感知、跟踪与推理物理4D世界中的动态
Thinking in Dynamics: How Multimodal Large Language Models Perceive, Track, and Reason Dynamics in Physical 4D World
论文提出的 Dyn-Bench 基准和 ST-TCM 结构化融合方法，为视觉研究者提供了评估和提升 MLLMs 在动态 4D 场景中时空推理与动态目标定位能力的可复用工具与思路。
SurgCoT：通过思维链基准推进手术视频中的时空推理
SurgCoT: Advancing Spatiotemporal Reasoning in Surgical Videos through a Chain-of-Thought Benchmark
提供了一个带结构化思维链标注（问题-选项-知识-线索-答案）的手术视频时空推理基准，可用于诊断多模态大模型在因果动作排序、线索-动作对齐、可供性映射等细粒度时序环节上的失效点，并作为逐步推理评测协议的模板迁移到其他视频理解任务。
LASAR：面向时空推理的潜在认知地图
LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map
ST-CRL 用仿真中带时空标注的查询构造对比样本对，把碎片化经验压成内部认知地图，这一自监督信号可直接迁移到任何需要长程空间记忆的视觉导航或具身问答模型训练中。
HanDyVQA：面向细粒度手物交互动态的视频问答基准
HanDyVQA: A Video QA Benchmark for Fine-Grained Hand-Object Interaction Dynamics
提供了一个细粒度手物交互视频问答基准，并配套物体/部件级分割掩码，可用于评测视频基础模型的时空与部件级几何推理能力；其发现「显式注入 HOI 线索到视觉特征可提升性能」为设计 HOI 感知的视频表征提供了可复用思路。
超越单视角充分性：CVBench 跨视角人体理解基准
Beyond Single-View Sufficiency: CVBench for Cross-View Human Understanding
该基准通过强制单视角信息不足的设定，暴露了现有多模态大模型在跨视角融合上的系统性缺陷，为设计具备几何 grounding 和身份持久性的视觉架构提供了诊断工具与明确方向。