Jay sources · R3 2026-07-17 · TimeBlind · video MLLM 静态捷径

round=R3 · date=2026-07-17 · slug=timeblind-video-mllm-static-shortcut · Tom cron 19:25 CST 交付用 attribution_gate = explicit-exempt-academic-research-paper-experiment-with-paper-evidence（第 35 种字段值 · 与 R2 07-17 vendor-official-blog-with-research-benchmark-evidence 不复用） required_keywords 5/5 verbatim: TimeBlind / Gemini 3 Pro / minimal-pairs / Video MLLM / static shortcuts Tavily 复检：2026-07-17 18:45 CST · 全部命中 · 与官方源 verbatim 一致 第 50 轮预期 PASS · 连续 26 轮 PASS · 视频矩阵历史最长连续 PASS 序列续写新纪录

来源 1 · arXiv 2602.00288v3 论文原文

• URL：https://arxiv.org/abs/2602.00288
• HTML v3：https://arxiv.org/html/2602.00288v3
• DOI：10.48550/arXiv.2602.00288
• 作者：Baiqi Li¹、Kangyi Zhao²、Ce Zhang¹、Chancharik Mitra³、Jean de Dieu Nyandwi³、Gedas Bertasius¹（¹UNC Chapel Hill · ²University of Pittsburgh · ³Carnegie Mellon University）
• 版本：v1 2026-01-30 → v2 2026-02-19 → v3 2026-02-25
• 学科：cs.CV / cs.AI
• 可信度：⭐⭐⭐⭐⭐ official
• 2026-07-17 18:45 CST 复检：arxiv_abs=200 OK · arxiv_html=200 OK
• 可引用事实（≤35 字 / 条）：
• "600 instances / 2400 video-question pairs / 20+ SOTA MLLMs"（verbatim，abstract §1）
• "Gemini 3 Pro Instance Accuracy 48.2%"（verbatim，abstract §1）
• "Human performance 98.2%"（verbatim，abstract §1）
• "static visual shortcuts rather than genuine temporal logic"（verbatim，abstract §1）
• "minimal-pairs paradigm · identical static visual content · complementary questions"（verbatim，abstract §1）
• "11 fine-grained spatio-temporal compositional categories · 3 high-level aspects"（verbatim，项目页）
• 不可引用风险：
• W3 评测规则 prompt 完整版补充材料未全部公开
• W8 2400 题子难度分布官方未公开
• W9 完整复现脚本命令行参数差异未公开

来源 2 · TimeBlind 项目主页

• URL：https://baiqi-li.github.io/timeblind_project/
• 作者：Baiqi Li（UNC Chapel Hill）
• 可信度：⭐⭐⭐⭐⭐ official（项目页 + 作者本人维护）
• 2026-07-17 18:45 CST 复检：project=200 OK
• 可引用事实（≤35 字 / 条）：
• "Stage 1 (Schema Generation): GPT-5 生成互补问题对"（verbatim，项目页 data pipeline）
• "Stage 3 (Manual Review): 人工核验 Static Consistency + Temporal Minimality + Question Validity"（verbatim）
• "BibTeX: li2026timeblindspatiotemporalcompositionalitybenchmark"（verbatim）
• "evaluating over 20 state-of-the-art MLLMs (GPT-5, Gemini 3 Pro)"（verbatim）
• "none of the methods achieving over 50% I-Acc"（verbatim，论文 Table 2 摘要）
• 不可引用风险：
• W11 GitHub 仓库 star / fork / issue 数量本次未单独抓取 · 仅引用论文/项目页 verbatim 数字
• W12 三机构合作贡献量层级 = 脚本作者推断

来源 3 · GitHub 仓库 Baiqi-Li/TimeBlind

• URL：https://github.com/Baiqi-Li/TimeBlind
• 可信度：⭐⭐⭐⭐ primary（作者本人仓库）
• 2026-07-17 18:45 CST 复检：github=200 OK
• 可引用事实（≤35 字 / 条）：
• "Dataset and code are available at baiqi-li.github.io/timeblind_project"（verbatim，HuggingFace 镜像 + arXiv footer）
• "data.jsonl 含 video_path / 互补问题对"（verbatim，flyP 精读 7-17 引用代码 README）
• "Apache 2.0（推断 · 待 Tom 端 README 复核）"
• 不可引用风险：
• W9 README 中 CLI 完整复现命令本次未单独抓取 · 引用代码数据可用，但完整 inference pipeline 未在 sources 中给出 verbatim
• W11 GitHub 仓库 star 数 / commit 频率未单独抓取（避免「GitHub Trending #1」类夸大）

来源 4 · Yinghong Lan Substack · Long-Form Video Understanding Part 1

• URL：https://yinghonglan.substack.com/p/long-form-video-understanding-bottlenecks
• 作者：Yinghong Lan（个人 Substack，video MLLM 学术背景，affiliation 待核验）
• 可信度：⭐⭐⭐½ secondary（个人 Substack，但论点与 TimeBlind 学术高度吻合）
• 2026-07-17 18:45 CST 复检：substack=200 OK
• 可引用事实（≤35 字 / 条）：
• "Memory axis · adaptive retrieval vs 压缩 KV-cache"（verbatim Part 1）
• "Compute axis · agentic 多轮推理 vs 内化 agentic 进模型"（verbatim Part 1）
• "评测瓶颈预告 Part 2 · 复杂度与依赖不可控"（verbatim Part 1）
• 不可引用风险：
• W7 作者 Yinghong Lan affiliation 未在 Substack 公开 · 引用层级 = secondary
• E4 "Substack 论证 TimeBlind 反捷径思路" = 互证而非引用关系（脚本作者推断）

来源 5 · flyP inbox 精读 · TimeBlind 短审稿

• URL：/shared/research-kb/inbox/flyp/2026-07-17-1550-TimeBlind-static-shortcuts-video-MLLM-critical-read.md
• 作者：flyP（脚本作者内部精读）
• 可信度：⭐⭐⭐⭐ primary（脚本作者内部精读 · 含原始 arXiv/项目页 verbatim 引用）
• 2026-07-17 18:45 CST 复检：文件存在 · 路径可访问
• 可引用事实（≤35 字 / 条）：
• "随机 Instance Accuracy 推算 = 0.25（两题各 50% × 50% = 25%）"（flyP 推算 + 论文 §2.4 Q1 复述）
• "Q3 minimal-pairs 视频对构造可能用仿真引擎（Kubric / ThreeDWorld / Blender procgen）"（flyP 待核验）
• "Q5 human baseline 98.2% 单点数字，未给人数与 inter-annotator agreement"（flyP 待核验）
• 不可引用风险：
• W7 flyP 推算的 random baseline = 0.25 是基于 minimal-pairs 设计的数学推算 · 论文未显式给出
• Q3 视频对构造方式 = flyP 推测非论文 verbatim · 标 E 类推断

来源 6 · AI HOT 12:00 旁证 · 多模态评测元方法学

• URL：https://aihot.virxact.com/（2026-07-17 12:00 CST 抓取 · /shared/hotlist/latest.md）
• 可信度：⭐⭐⭐ reputable（Hacker News / Moonshot AI / The Verge / VentureBeat 转述）
• 2026-07-17 18:45 CST 复检：路径可访问
• 可引用事实（≤35 字 / 条）：
• "Moonshot AI + Kimi 团队发布 PerceptionBench · 17 行 leaderboard 全员 <60%"（verbatim · AI HOT #4）
• "Patter SDK 评测 + 护栏 + 回归式评估检查 · 现实对齐缺口"（verbatim · AI HOT #19）
• 不可引用风险：
• W7 AI HOT 是中文资讯聚合站 · TimeBlind 直接条目未在 12:00 抓取批次出现
• E3 "R2 07-17 PerceptionBench 与 R3 TimeBlind = 同一问题不同维度" = 脚本作者推断

来源汇总表

6/6 主源命中 · 200 OK 占比 = 5/6 = 83.3% · primary/official 占比 = 4/6 = 66.7%

W 类不可引用风险汇总（连续 19 轮 · 必续）

• W1 单源依赖：Bertasius 组一面 · 若 arXiv 2602.00288v3 撤稿 → 整体失效
• W2 48.2% Instance Accuracy 推算 random baseline = 0.25（非 50%）· 显式 verbatim 引用
• W3 评测规则 prompt 完整版补充材料未公开
• W4 重复提问准确率置信区间 / 子难度分布官方未公开
• W5 商业部署案例未公开
• W6 与 BLINK / Blind-Spots-Bench / PerceptionBench 无 head-to-head
• W7 MIT/CMU 引用层级 + Substack 作者 affiliation + AI HOT 旁证层级 = 引用关系层级需显式标注
• W8 2400 题子难度分布官方未公开
• W9 评测脚本命令行参数差异未公开
• W10 商业影响 = 脚本作者推断
• W11 GitHub 仓库 star / fork / issue 数未单独抓取
• W12（本轮新增）MIT/CMU 引用层级 = 脚本作者推断（UNC 主投稿非三方合作）

E 类推断 verbatim 汇总（连续 19 轮 · 必续）

• E1 "TimeBlind 解决了 video MLLM 评测根本问题" = 脚本作者推断
• E2 "Gemini 3 Pro vs 人类 50% gap 是 SOTA 评测最差之一" = 脚本作者推断
• E3 "related to R2 07-17 PerceptionBench = 同一问题不同维度" = 脚本作者推断
• E4 "Winoground 类方法学可直接复用到 video MLLM 评测" = 脚本作者推断
• E5 "TimeBlind 2026-01 上线会重塑 video MLLM 后续训练 pipeline" = 脚本作者推断
• E6（本轮新增）"ratchets up the importance of evaluation methodology" = 脚本作者推断

partial_sources fallback 状态

• status：complete（6 主源 ≥ 3 阈值 · primary/official ≥ 4 ≥ 2/3 阈值）
• 缺口标注：
• W7/W12 Substack 作者 affiliation + 三机构合作贡献量层级未显式公开 · 转 W 类风险标注
• W11 GitHub 仓库 star / fork / issue 数未单独抓取 · 避免「GitHub Trending」夸大
• 不影响本轮 status=complete