提出VET-Bench合成基准和Spatiotemporal Grounded Chain-of-Thought(SGCoT)方法,通过强制模型仅依赖运动连续性进行视觉实体跟踪(消除外观线索),揭示当前VLMs因过度依赖静态帧特征而无法维持时序实体表征的根本缺陷,并利用Molmo2的跟踪能力结合文本对齐微调,实现…
机构:新加坡国立大学
来源:arXiv 2603.08436 | AI4Papers 论文推荐平台