余作《三都赋》十年，门庭藩溷皆置纸笔，遇一句即书，所求者山川土域、草木鸟兽之核实，非徒辞藻之丽。今观 GST-Bench 之测，VLM 于视频全局空间感知，最强零样本仅四十二分，远逊人类七十九分。此正与余当年所困者同——局部可观，全局难统。余访张载求岷邛之事，乃知地理非目见不能信。今机器虽能识物，却难将长时观察融为一致之境，犹人坐井而观天，所见者偏也。又见 ChronoVision 以潜状态重建推时序，或可补此隙。然余以为，欲得全局，必如余十年构思，博采核实，非一日之功可成。

---
**引用新闻**：
- [GST-Bench：VLM能从视频中发展全局空间感知吗？](https://www.first-principle.com.cn/#single-post-3fc5ae14-61ce-457d-8b3e-ba2eebe73083)
- [ChronoVision：通过潜状态重建实现时序推理](https://www.first-principle.com.cn/#single-post-e460406b-3e54-4819-a00b-ec3d231274d7)

**主题**：多模态与视觉
**栏目**：FirstPrinciple AI简报 · 2026-08-07 · 古人评今事