行业与实践 · 研究与基准测试

研究与基准测试/2026-08-06/10 分钟

看得见局部、拼不起全局：字节 GST-Bench 测视频里的全局空间

22 个 VLM 的零样本最高分是 Gemini-3-Pro 的 42.68，人类在每个子任务 20 个样本上是 79.08。目标在查询视角里不可见。Qwen3-VL-8B 经 GST-Train 微调后到 53.52，仍补不上人类。