离开、停留还是长住？人类与 LLM 协同标注的时长常识推理

研究构建了一个由人类与 LLM 协同标注、带地理标签推文的新语料库，用于测试视觉语言模型能否从文本、图像和上下文线索推断停留时长。结果显示，即使使用多轮 Chain-of-Thought 提示，当前最先进模型仍难以完成时长推断。错误分析表明，模型常无法整合关键上下文信息，或过度依赖显著视觉细节而忽略话题标签与语义细节。