视频理解模型挑战镜像反射场景频发幻觉

测试表明，当前的视频理解模型在处理复杂视觉场景时仍存在明显局限。有测试者使用带有镜像反射的AI生成视频评估GPT-4o、Gemini等主流大模型，发现它们在面对反射画面时频繁产生幻觉，甚至出现自相矛盾的描述。这表明，尽管大模型不断迭代，但距离真正“看懂”复杂视频仍有较大差距，亟需进一步提升空间理解能力。

2026-07-21 ~ 2026-07-21 · 2 条相关