视频 LLM 计数失败并非缺失客体永久性：诊断并修复读出环节故障

查看 PDF HTML（实验性）

摘要：视频 LLM 在统计物体穿过屏幕的次数时会出现明显失败，这一失败被归因于缺乏客体永久性。借助带有经验证标签、以构造为基础的合成测试平台，我们表明这一归因并不完整：计数信号存在但未被读取——线性探针能以 93% 的准确率解码每个窗口内的存在性，而全局计数解码则退化为受时长混淆影响。同期工作报告了重复计数中同样的表征—输出分离现象；我们表明，在离开—重现事件计数中这一问题是可以修复的：两种面向读出环节的修复手段（片段定位监督和离散事件符号旁路通道）将同物体计数从 46.7% 提升到 65.0%（oracle 为 66.7%），该基准的随机水平为 33%，覆盖 7B–30B 规模的系统。迁移到独立工厂场景没有代价，而一次测量审计暴露出五项曾掩盖该边界的数据完整性问题。一项真实视频审计（REALCOUNT，n=18，盲审）表明该边界依然存在——随机水平 33.3% 下最佳为 55.6%——且符号迁移在零样本下失败。一个 1 轮域内适配基准结果为负（六种手段在 28–50%），但 3 轮训练使符号通道发生逆转：在 oracle 时间线下，读取器在序列不相交集上达到 94.4%（在全集上严格标准下达到 100%），而部署的 2 轮训练头在三个随机种子下均达到 61.1%（42–44），并不优于打乱符号的对照组（种子 42 为 61.1%，种子 43 为 66.7%），且仅有一个片段高于未适配的读取器（55.6%）。残余差距来自检测器证据，而非读取器容量：同一读取器在 GT 时间线上达到 72.2–88.9%。该失败在拥有信息量充足的时间线时是可以修复的，但部署的头部仍是瓶颈；冻结特征边界探针表现较弱（AUC 0.62，置换为 0.51）且不可迁移（片段内 0.77，跨窗口 0.62）。

评论：	13 页，4 幅图，8 张表。预印本 v2（2026-11-10）。修正提示词后重新训练；表 5–8 已更新；附录 A 第 5 项已关闭。欢迎评论
主题：	计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL）；机器学习（cs.LG）
引用为：	arXiv:2611.09949 [cs.CV]
	（或 arXiv:2611.09949v2 [cs.CV] 用于此版本）
	https://doi.org/10.48550/arXiv.2611.09949 由 DataCite 发放的 arXiv DOI

提交历史

来自：Dongwu Qian [查看邮箱]
[v1] 2026 年 10 月 21 日星期三 15:29:00 UTC（588 KB）
[v2] 2026 年 11 月 10 日星期二 05:21:12 UTC（590 KB）