# VSTAT：多模态大模型视频视觉状态跟踪基准测试

- 来源：Saining Xie (@sainingxie)
- 发布时间：2026-06-03 11:20
- AIHOT 分数：67
- AIHOT 链接：https://aihot.virxact.com/items/cmpxiww7y04dsslckz0r0c66l
- 原文链接：https://x.com/sainingxie/status/2062011403733512253

## AI 摘要

研究团队推出VSTAT基准测试，用于评估多模态大语言模型（MLLMs）在视频中追踪动态状态的能力。测试任务看似简单，包括计数杯子、识别键入的文字、统计翻页次数等，人类可以轻松完成，但当前MLLMs表现欠佳。该测试旨在推动视觉状态跟踪这一前沿方向的发展，解决模型从不完整、有噪声的视觉观察中建立和更新内部世界状态的核心挑战。

## 正文

how does the brain build and track an internal state of the world from （possibly incomplete and noisy） visual observations？
i believe visual state tracking will be the grand challenge for vision in the coming years， and i hope this benchmark can be a useful starting line. enjoy！

### 引用推文

> Sihyun Yu：Can MLLMs actually track what's happening in a video? Introducing VSTAT 🎯, our new benchmark for visual state tracking. The tasks are simple: count cups, read ...