**Flat-Pack Bench：通过家具组装评估大型视觉语言模型的时空理解能力**

_Flat-Pack Bench: Evaluating Spatio-Temporal Understanding in Large Vision-Language Models through Furniture Assembly_

> 本文提出 Flat-Pack Bench 基准，针对家具组装任务评估大型视觉语言模型（LVLM）的细粒度时空理解能力。现有基准主要关注粗粒度任务，如动作分类和字幕生成，而忽略了需要逐步理解的复杂场景（如家具组装、烹饪）。该基准通过多项选择题和视觉提示，测试模型在动作时序排序、状态定位、部件配合理解及跟踪等方面的能力。实验显示，当前最先进的 LVLM 在细粒度时空推理方面存在显著局限，特别是在利用视频时间信息、跟踪能力以及空间交互理解方面。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.21625)