TempCloze：Video-LLM 能否识别缺失的中间部分？

Video-LLM 的时间推理基准通常由语言调节，为选项措辞、答案相关性或语言先验的语言捷径留下了空间。为了减少这种捷径，我们引入了 TempCloze，这是一个视频完形填空基准，用于评估 Video-LLM 中的视觉时间推理。给定视频的开始和结束剪辑，模型必须从四个候选者中识别出真正缺失的中间部分。 TempCloze 包含来自七个来源的 1,521 个经过精心过滤的视频，主要是长镜头和以自我为中心的视频。我们沿着三个维度构建同源干扰项：语义询问应该发生什么事件，对齐探测事件应该何时发生，进展测试事件应该如何展开，而共享场景和对象则减少外观线索。我们对 10 个专有视频和 21 个开源 Video-LLM 的评估表明，对齐是主要瓶颈：模型通常可以识别合理的语义内容和本地事件进展，但很难处理时间对齐。我们进一步使用四个代表性模型对 TempCloze-Mixed 和 TempCloze-Hard 进行错误模式和行为敏感性分析，以检查错误出现的位置以及候选顺序、上下文方向、可见跨度、帧密度和测试时间缩放如何影响模型选择。