顺序很重要：LVLM 作为图像序列中时间推理的法官

随着生成多媒体从静态图像合成发展到复杂、交错的视觉叙事，一个基本瓶颈出现了：判断危机。虽然人类的感知自然地综合了故事的时间和逻辑流程，但自动评估系统在很大程度上对顺序连续性仍然“盲目”，常常无法区分连贯的叙述和语义上混乱或矛盾的序列。这项工作确定了当前多模式评估范式中的一个关键结构性差距，认为对大视觉语言模型（LVLM）作为法官的依赖从根本上受到架构偏见的限制。我们的分析揭示了深刻的性能二分法：虽然模型在孤立的逐点评分中可能表现得很好，但当需要执行时间顺序的成对区分时，它们会遭受灾难性的崩溃。我们证明这不仅仅是一个数据稀缺问题，而且是一个结构性问题。通过一系列的诊断探针，我们发现了系统的位置不对称，特别是首因效应和新近效应，其中模型对故事的判断受到框架放置的显着影响，通常比其语义一致性影响更大。这些偏见可能源于因果屏蔽和旋转嵌入，表明当前基于 Transformer 的判断本质上不适合长形式视觉推理。通过暴露这些盲点，我们挑战多媒体社区超越以快照为中心的指标，而是开创时间感知评估范例，将视觉序列视为统一的逻辑结构，而不是无序的帧集合。