Mind the Temporal Gap：评测视频模型在驾驶场景中的时序理解

针对驾驶视频的评测发现，video-language models 在动作识别上使用标准提示、few-shot 或 chain-of-thought 均不可靠，表现依赖具体任务与模型，并存在持续的类别偏置。LoRA 微调与基于中间视觉特征的简单 probe 能恢复较强的运动判别性能，表明运动相关线索常已存在于模型内部，却未被最终的 video-to-language 通路可靠利用。