通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-06-04 图像表征 · VFM · JEPA · 视频预训练
project · 扫读 · 2026-06-04

Benchmarking Visual State Tracking in：它和通用视觉自监督的关系在于：VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题

中相关；详见方法、贡献和实验边界。

Benchmarking Visual State Tracking in Multimodal Video Understanding　arXiv + project　原文链接

编号2606.03920 优先级扫读 类别project 会议arXiv + project 方法VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题。 中相关；详见方法、贡献和实验边界。

(a) Example task and its text transcription
(a) Example task and its text transcription(a) Example task and its text transcription. (b) Performance across video durations. Figure 2 | Analyzing bottlenecks of MLLMs in visual state tracking. (a) An example Blender task (rolling die) with its video frames and text transcription. (b) Performance across video durations on the selected task subset. Recent MLLMs, such as Gemini-3.1 Pro [23], solve the task perfectly with text conditions, but their video performance drops to near chance and degrades further as videos grow longer.这张图/表用于判断 Benchmarking Visual State Tracking in 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。
Figureure 3 · | Failures in event identification
Figureure 3 · | Failures in event identificationFigure 3 | Failures in event identification. We highlight phrases and frames related to state extraction in purple and failures in visual perception in green. For better illustration, we subsampled video frames related to the failures and simplified the thinking traces.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Benchmarking Visual State Tracking in 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题。

方法拆解

VSTAT 评测长视频状态追踪，揭示 MLLM 文字推理正确但视觉事件感知不足的问题

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。