GST-Bench проверяет, развивают ли VLM глобальное пространственное восприятие по видео

ByteDance Seed и академические партнёры представляют GST-Bench — бенчмарк видео-VQA из 2762 вопросов, проверяющий способность моделей «зрение-язык» выстраивать глобальное пространственное восприятие по длинным видео от первого лица, включая вывод с новых точек обзора и картирование в план сверху. Лучшая VLM в режиме zero-shot набирает 42,68 балла против базового уровня человека в 79,08; проприетарные модели ошибаются в основном на интеграции между кадрами, открытые модели ошибаются как в локальных, так и в глобальных рассуждениях.