标签
GST-Bench是一个新的VQA基准，用于评估视频理解中的全局空间意识，测试VLMs能否从长时间的第一人称视频中构建连贯的全局场景表示。对22个最先进的VLMs的评估显示，它们与人类之间存在巨大差距，最佳模型得分42.68，而人类为79.08。