待验证90% 置信事实时间未知

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

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

相关事实

待验证当前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75% 相似待验证轻量化Flash视频模型在物理常识推理上存在短板，与追求速度和低成本的定位存在根本性取舍74% 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70% 相似待验证解决细粒度视觉识别近邻歧义的主流技术路径包括注意力机制、部件检测网络和度量学习67% 相似待验证研究者已通过两点相关维数等方法实证测量了多种视觉模型的内在维度，训练良好的模型往往能将输入压缩到更低维流形上66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/18040

API

curl https://kongchang.com/api/v1/knowledge/claims/18040

MCP

get_claim(id=18040)