人类与 LLM 协同标注下的持续时长常识推理：视觉语言模型表现不佳

研究构建了由人类和 LLM 协同标注的地理标记推文语料库，测试视觉语言模型的持续时长常识推理能力。 实验发现，即使使用多轮 Chain-of-Thought 提示，当前最先进模型在推断持续时长时仍表现挣扎。 错误分析显示，模型常因过度依赖显著视觉细节而忽略细微标签和语义细节，凸显了上下文感知多模态理解的挑战。