待验证90% 置信事实时间未知

当前Video-LLM的核心缺陷是语义先验压倒视觉感知能力，导致模型用主观预期覆盖客观事实

1

来源数

90%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

上交大PhyAR：破解Video-LLM物理推理中的语义先验劫持难题

bilibili多模态实验室

涉及实体

Video-LLMconcept 语义先验concept

相关事实

待验证通过单帧空间关系描述实验，研究者证明Video-LLM的底层感知能力是完好的，问题根源在于语义先验劫持推理过程75% 相似待验证视频生成模型对输入prompt长度有隐性偏好，过长会稀释关键视觉指令权重，过短则可能丢失风格和氛围信息72% 相似待验证基于DiT架构的视频生成模型在时序维度上存在注意力衰减问题，导致早期帧对后续帧约束力减弱68% 相似待验证运镜提示词是对AI视频画面质感影响最大却最容易被忽视的部分68% 相似待验证前端视觉任务是多数LLM的弱项，根本原因在于视觉正确性缺乏明确的文本损失信号，而后端代码有明确的单元测试作为强化信号68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/18036

API

curl https://kongchang.com/api/v1/knowledge/claims/18036

MCP

get_claim(id=18036)