时间盲点：使用 CHRONOSIGHT 对视觉语言模型中的时间推理进行基准测试

人类对视觉场景的感知本质上是暂时的。我们本能地识别出水果是否正在成熟或腐烂，建筑是否正在进行或正在拆除，以及同一主题的两张照片大约相隔多长时间。大型视觉语言模型（VLM）是否具有这种能力仍然是一个开放且实际重要的问题。我们引入了 CHRONOSIGHT，一个严格控制的基准，评估视觉时间推理的五个维度：CHRONORANK（图像序列的时间顺序）、CHRONOLOCATE（单个图像的顺序阶段定位）、CHRONODELTA（对数尺度上两个图像之间经过的时间估计）、CHRONOREVERSE（时间反转序列的检测）和 CHRONOODD（识别集合内的时间异常值）。该基准包括 8 个过程系列（生物生长、食物转化、物理风化、建筑、环境变化、人类衰老、天文现象和城市动态）的 1{,}000 个项目，时间跨度从几分钟到几千年。我们在两种提示机制下评估了八个开源 VLM（500 M 至 19 B 参数）并收集人类表现基线。各个任务的人类绩效平均为 0.89；最好的开放模型（Qwen2.5-VL-7B）在直接提示下达到0.40，我们将这个差距称为时间盲点。 151 个示例上的轻量级 LoRA 微调 将 CHRONODELTA 精度从接近零提高到 0.43，将零样本转移到相关任务（CHRONOODD：0.37；CHRONOREVERSE：0.64），这表明瓶颈部分是指令遵循而不是视觉感知。基准、代码和预测将在接受后发布。