视频模型驾驶时序理解评估：提示不稳，微调有效

一项新研究评估了视频语言模型在驾驶场景中的时序理解能力，结论是这类模型在安全关键场景中仍不可靠地捕捉时间动态。Shiva Sreeram 等作者通过受控的自车运动任务，要求模型从驾驶视频中识别动作。 研究发现，标准提示、视觉提示、few-shot 和思维链提示均表现不稳定，且高度依赖具体任务与模型，并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。作者据此称，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。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。