视频模型在驾驶场景中的时间理解能力评估：Mind the Temporal Gap

研究发现，当前视频语言模型在驾驶等安全关键场景中仍不可靠地捕捉时间动态，标准提示、视觉提示、few-shot 和思维链提示均表现不稳定且高度依赖任务与模型，存在持续的类别偏差。相比之下，轻量级 LoRA 微调和基于中间视觉特征的简单探针能恢复强运动判别性能，表明运动相关线索常存在于模型内部，但未被最终的视频到语言通路可靠利用。