人类98分，AI全零分，一段雪花视频戳穿了大模型的底牌
先看一个实验。
一段视频，平均7.1秒，大约333帧。
每一帧都是雪花，纯噪声。暂停在任何一帧，什么都看不见。
按下播放键，内容自己浮出来了。可能藏着几个字母，可能是一个物体的轮廓。动起来才有，停下来就没了。
灵异故事谈不上，这是CVPR 2026的一篇论文，KAUST和MBZUAI的研究者做的，基准叫SpookyBench，专收这种雪花视频，一共451段。
实验是公开的，论文在这 arxiv.org/abs/2505.24... ，项目主页 timeblindness.github.io/ ，代码和数据 github.com/TimeBlindne... ，感兴趣可以自己跑一遍。
人类来考，6名标注者，平均准确率98%。
视频大模型来考，25个以上，参数从20亿到780亿，开源闭源全到齐，GPT-4o，Gemini 2.5 Pro，Qwen全家，InternVL全家。
0%。
一个漏网的都没有。开了思维链，还是0%。
你的第一反应，因该是题目太刁钻。
真相反着来, 这题对人类简单到离谱，扫一眼就能过。
可全世界的模型，齐刷刷零分。
这事背后，藏着最近行业里吵得最凶的一个问题。
多模态大模型已经能识别视频、描述视频了，为什么还是看不懂时间？
图来自SpookyBench项目页，动的噪声里藏着内容，大脑按运动方向给像素分组，内容就浮出来了
它在看幻灯片，你在看电影
想知道模型为什么瞎，得先看它是怎么看视频的。
主流方案大同小异。视频进来，先抽帧，几分钟的片子常常只留8到32帧。每帧单独过一遍图像编码器，压成一串视觉token，排好队，交给语言模型。
打个比方。
你在看电影，它在看幻灯片。
你看到一条流动的河，它拿到的是河的四张照片。
这张图把病根画得明明白白, 帧采样这一步，先把连续的时间剁碎了。视觉编码器又天生偏心，物体，布局，纹理这些空间特征它门儿清，运动，因果，先后顺序这些时间特征，基本处于失明状态。论文管中间那道裂口叫Coherence Gap，一致性缺口。
CVPR 2026另一篇论文WeaveTime给这个病起了正式名字，Time-Agnosticism，时间不可知症。他们的说法很形象，模型把视频当成一个无序的证据袋，帧的先后顺序，对它来说很多时候无所谓。
听着难以置信？有人做过验证。
TVBench团队干过一件特别损的事，把测试视频的帧顺序随机打乱，再喂给GPT-4o和Gemini 1.5 Pro。结果在老牌基准MVBench上，分数几乎不怎么掉。
翻译一下。之前很多所谓的视频理解高分，考的多半是静态识别加文本常识，时间压根没进考场。
更损的还有。TempCloze论文里提到一个2020年的老发现，纯文本语言模型不看视频，光靠选项的措辞和语言先验，就能比随机基线高出25个点以上。
考卷漏成筛子了。考了半天，时序感知根本没被考过。
加帧没用，思考也没用
直觉马上给出解法，那就多喂几帧，采样翻倍，看得多自然就懂了。
真有人试了。
CP-Bench的设计很朴素，镜头平移扫过一排外观一模一样的方块，每一帧只能看到局部，必须跨帧累积证据才能数对总数。
Qwen3-VL, InternVL3, 还有GPT-5, Gemini-3-Pro, 全挂。研究者把采样帧率拉高，成绩纹丝不动。
9月1日的新论文又补了一刀。TempCloze测下来，帧密度加上去，信息反而被稀释，模型严重依赖开头结尾的锚点，中间塞的帧越多，干扰越大。
那开思考模式呢，让它一步步推理？
TempCloze的结论是，测试时扩展能带来一些增益，但各维度之间的相对差距不变。ICLR 2026的MMR-V基准也发现，长视频多帧证据推理这件事，思维链和测试时扩展的收益很有限，最强的Gemini 2.5 Pro也只考了64.3%。更早的TemporalVQA给GPT-4o测时序先后判断，一致性准确率43.8%，人类是90.3%。
绕了一大圈，结论开始变得刺眼。
你以为它看得太少，其实它压根不知道怎么看时间。
病根挖出来了，在架构里
SpookyBench的作者没有停在现象上，他们做了三组实验，一组比一组狠。
第一组，教。拿400段雪花视频去微调InternVL2.5-8B和Qwen2-VL-7B，跑满30个epoch，硬灌。
还是零分。
第二组，连背都不给背。换VJEPA-2和DINOv3上，任务简单到判断画面里有没有内容。损失函数直接停在随机水平，过拟合都做不到。
死记硬背都失败，说明这些信息对模型来说压根不存在。
第三组，是全场最狠的一刀。
研究者用最老派的光流算法Farneback，把运动边界算出来，直接画在噪声帧上，相当于把时间信息提前翻译成空间线条，再喂给模型。
Qwen2-VL-7B，零分变51.5分。
GPT-4o，零分变59.1分。
信息一直都在，一直算得出来，只是从来没能走到语言模型那里。
论文的诊断写得很直接，今天的视频大模型缺少帧间差分和时间整合机制，属于架构级的缺失，跟数据量无关，跟提示词写得好不好也无关。
人类这边靠的是几亿年进化攒下的硬件。心理学管它叫格式塔的共同命运原则，一起动的像素，大脑自动绑成一个东西。
自然界早就在用时间当信道。萤火虫靠闪光序列求偶，摩尔斯电码靠长短信号传信，脑电的病理特征也藏在时间模式里。
模型的流水线上，没有这条通路。
顺便说一句，动态场景那类雪花视频，就算叠了光流，模型也只做到3.5%封顶。
9月的新考卷，成绩依然惨烈
有人会讲，噪声视频太极端了，日常视频上模型总行吧。
咱们在把镜头拉回9月1日那篇TempCloze，港大, 新加坡国立, 北大三个团队联合做的。
玩法像个完形填空，给你看视频的开头和结尾，四个候选片段，选出真正夹在中间的那一段。
坏就坏在干扰项的构造。所有候选都来自同一段视频，同样的场景，同样的物体，光看长相根本分辩不出来，必须真懂时间才行。
考三个维度。语义，发生了什么。对齐，什么时候发生。演进，怎么展开。
31个模型参战，10个闭源，21个开源。
结果出奇地整齐。
语义大家都会，演进也还凑合，一到时序对齐，集体塌方。
GPT-5.4，语义68分，时序对齐37分。
Claude4.6-Sonnet，对齐28.8分。
Qwen3VL-32B，对齐10.9分。四选一的题，闭眼乱选都有25分，它比瞎选还低。
闭源模型平均，语义70.73，对齐48.13，差了22个点。
认得出发生了什么，算不准什么时候发生。
这，就是2026年秋天视频大模型的真实水位。
产业界坐不住了
学界在挖病根，公司们的动作更密，光9月第一周就好几发。
Google DeepMind在9月1日上线了Agentic Video Understanding。让Gemini Flash用思考，行动，观察的循环去啃长视频，自己决定去搜字幕，抓哪段帧，听哪段音频。官方自报长视频任务最多省88%的token，准确率最高提7个点，成本最多砍66%。
这招翻译成人话，承认模型一眼看不全，那就让它像人一样来回看，反复看，用工程手段绕过去。
另一拨人押在换底上。
9月2日，开源视频世界模型SolarWM放出，143万条视频片段打底，一次训了4个5B到33B的模型。最反直觉的地方在于，只用5秒的片段训练，生成却能连到分钟级甚至小时级。
9月1日，李飞飞的World Labs发了Atlas，全模态世界模型, 文本图像视频3D一起进，能出1分钟1440p的视频，主打空间和3D一致性。
世界模型这条线的信仰很朴素，如果模型能预测下一秒，它就必须懂运动和因果。Meta的VJEPA-2也是这个路数，在潜空间里学预测，主打给机器人用。
但9月7日，一盆冷水当头浇下。
有新论文发现JEPA类世界模型自己也有病，作者管它叫物理表征懒惰。编码器没有坍缩，看起来学得像模像样，但关键的物理属性，它直接无视。解法是训练时加一个傅里叶辅助头。
新药，也有新的副作用。
顺带一提，GitHub上有个叫Awesome-Video-Hallucination的仓库，9月刚更新，收录了37个视频幻觉基准和50种缓解方法。一条赛道挤了这么多人，侧面说明病得有多重。
这台车，敢让它开吗
说回大家最关心的，这对自动驾驶和机器人意味着什么。
知乎有限理性FM最新一期，请的就是王乃岩，图森未来中国原CTO，前小米汽车L3技术负责人，聊的正是这事。他这个月刚官宣离职，转身创业做具身智能去了。
他的判断很硬。只用自动驾驶数据训出来的模型，一定解决不了自动驾驶。
道理跟时序感知直接挂钩。
开车这件事，每一秒都在赌先后顺序。变道车是先打灯还是先切进来，行人是回头看了一眼还是马上要起步，加塞的车到底让不让。这些判断错一个，就是事故。
一个分不清先来后到的模型，你敢让它握方向盘吗.
9月8日，日本的TIER IV开源了端到端参考模型METEOR，纯视觉，单一神经网络，不要高精地图，分割，检测，轨迹一把梭，用日本全国跑出来的驾驶数据训的。
端到端的浪潮还在加速。
可端到端的前提，恰恰是模型看得懂时间。有自动驾驶方向的论文专门指出，语言模型的离散输出和驾驶需要的连续动作空间存在错位，光靠行为克隆还容易收敛到次优策略。
机器人那边同理。抓杯子，倒水，插钥匙，全是时序加因果的精细活。
看不懂时间的端到端，约等于蒙着眼踩油门。
最后
回到开头那段雪花视频。
人类视觉系统考出98分，是几亿年进化攒下的家底。大模型用两三年把静态视觉刷到超人水平，却在时间这扇门前，结结实实吃了闭门羹。
现在桌上摆着两条路。
一条路相信规模化, 数据够多, 模型够大，时间感自然会涌现，就像当年推理能力长出来那样。
另一条路说要动刀，时间得有自己的通路，得进表征，进训练目标，甚至要等一套新架构。
SpookyBench那批研究者明摆着赌后者。零分名单里，2B到78B参数的模型齐齐整整，规模在这道题上已经先输一阵。
我个人的倾向也偏后者。但历史反复教过我们，别急着给任何架构判死刑，也别急着宣布scaling出局。
留个问题给你。
如果时间感知最后真要靠新架构才能解决，那今天砸进视频大模型的训练算力，有多少是在给一栋地基有问题的楼刷墙？
评论区聊聊你的判断。
最后送你一句话。
现在的视频大模型，会看画面，不会看片。记得住发生了什么，记不住先后。
边界说明
老规矩，把丑话说在前面。
文中的数字全部来自公开论文和项目页，链接贴在下面。SpookyBench是合成噪声的极端场景，日常视频问答里模型当然有分数，谁也没真考零分，别拿去当标题党素材。
时序感知偏科这个结论，是TempCloze，TVBench，CP-Bench，TemporalVQA，Vinoground等一串团队各自独立验证出来的方向性结论。其中不少还是没经过同行评议的预印本，数字会随版本更新，方向短期内不会变。
DeepMind的省token数据是官方自报，暂无第三方复现。