当无答案是正确答案：诊断MLLM在视频理解中的缺失答案检测

多模态大语言模型（MLLM）在视频理解方面取得了实质性进展，但其响应的可靠性仍未得到充分探索。这项工作提出了视频理解中 MLLM 缺失答案检测的诊断研究，其中正确答案被故意从候选集中排除，并且可靠的模型有望识别不存在有效选项。我们在三种设置下评估缺席答案检测行为：用“以上都不是”选项增强的多项选择题、带有检测指令的开放式生成以及没有任何指导的标准评估。在一系列不同的模型和基准中，我们发现 MLLM 绝大多数会选择看似合理的干扰项，而不是检测缺失的答案。这种失败在时间推理任务中更为明显，并且随着帧采样的密集而恶化。我们进一步探索了思想链提示作为一种缓解策略，发现虽然它大大提高了检测率，但性能仍然不能令人满意，这表明仅基于提示的策略不足以完全解决这一限制。这些发现暴露了缺席答案检测的系统性失败，并强调了多模态系统中明确检测机制的必要性。