动态仪表读数难题：视觉语言模型在运动场景中的失效

工业制造的数字化转型越来越依赖于自主机器人与传统基础设施（尤其是模拟仪表）交互的能力。视觉语言模型（VLM）有潜力为仪表读数提供通用解决方案，并且已经在仪器识别方面表现出良好的性能。然而，执行准确、实时的仪表读数是一项更为复杂的任务。本文根据一组简单但现实的动态仪表读取场景评估了最先进的模型，包括 GPT-5（5.4 Thinking 和 5.3 Instant）和 Gemini 3（Pro 和 Flash）系列的版本。为了促进这一评估，我们引入了一个新颖的数据集，其中包含三种不同仪表类型的仪器的视频序列：圆形、线性和游标，在不同的运动和速度曲线下。我们的研究结果表明，在我们特定的测试条件下，评估的前沿 VLM 表现出解释针轨迹和尺度语义的能力有限，无法提供安全关键监测所需的可追溯性和可靠性。结果表明，这些模型尚未达到现有 IEEE 和 ISO 标准下被归类为值得信赖的合成仪器所需的性能。