**多模态视频理解中视觉状态跟踪的基准评测**

_Benchmarking Visual State Tracking in Multimodal Video Understanding_

> 该论文提出VSTAT基准，包含834个视频片段和1500个问题，旨在评估多模态大语言模型在视频中持续跟踪实体和状态的能力。研究发现，尽管当前模型在现有视频基准上表现强劲，但在VSTAT上远逊于人类，主要原因是视觉感知而非推理的失败。初步实验表明，基于智能体的方法也未能有效解决该问题。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.03920)