The Prestige：使用魔术表演评测认知视觉推理的视频理解基准

The Prestige 提出通过专业魔术表演评测认知视觉推理的视频理解基准，测试模型对意外结果事件的跟踪与解释能力。该基准包含从时序因果理解到对抗性问题鲁棒性的开放问答题，评估显示最强视觉语言模型与人类表现存在显著差距。研究还发现自动化评分与人类评分存在系统性偏差，且模型在多选题正确但独立解释失败的情况下依然存在，凸显了视频理解评测的局限。