📖 AI 总结

这篇论文提出 VANTAGE-Bench，一个针对“基础设施 AI 差距”的评测基准，旨在衡量视觉语言模型在固定摄像头场景下的能力短板。该基准覆盖物流、交通和智能空间三大领域，统一图像与视频评测，涵盖语义、空间、时间及时空四类能力，并设计了八种任务形式，包括密集描述和时空定位，同时引入单目标跟踪的单次轨迹协议。评测基于 3346 项媒体素材，包含 3342 条视频任务标注、4281 条图像定位标注和 27404 个检测框。对 17 个模型的零样本评测显示，模型的能力缺口是集中而非普遍的：事件验证、指代表达和时间定位在各规模模型上均落后约 9 至 24 分，而视频问答与 VideoMME 差距在 5.3 分以内，二维空间指向相对 BLINK 无明显短板。时间维度绝对表现最弱，无系统在时间定位上超过 55.7 mIoU，密集视频描述最高仅 37.3 SODA_c。跟踪任务中，前沿模型在短时程内接近专用跟踪器，但随视界延长差距拉大。开源权重模型在二维目标定位上反而领先，表明该差距既非规模也非专有访问所能解释。

🔑 关键词速览