空间-时序解耦

时间盲区：为何视频语言模型看不到人类能看到的东西？

Time Blindness: Why Video-Language Models Can't See What Humans Can?

SpookyBench 提供了一个极端设定：空间信息被噪声帧完全遮蔽，只保留时序结构，可直接用来诊断 VLM 是否真正在做时序推理，而非依赖帧级空间特征；做视频理解或时序建模的工作可以把它当作压力测试集，并据此设计解耦空间依赖的架构或训练目标。