1 published article
视频理解
一项新的 arXiv 研究表明，视频语言模型在简单的事件记录任务上表现失败。Gemini 3.6 Flash 最多可正确计数 12 个持续性状态变化事件，但对瞬时眨眼没有可靠的计数区间；额外帧推高了准确率，却无法实现忠实的恢复，高计数场景下最终计数正确的比例仅为 0.2%。
2026-08-12