视频语言模型在简单事件计数上失准，研究揭示时间推理瓶颈

新论文提出trace-grounded参数化测试方法，在2,190个视频上审计事件计数能力。Gemini 3.6 Flash在80%可靠性阈值下最多可靠计数12个持续状态转换事件（0.5和1.0 Hz），对瞬时闪烁事件则无可靠计数区间。高计数高频率场景下仅0.2%的最终计数正确，模型只能恢复18.1%的真实事件。提高采样率将Bounce Ball准确率从19.6%提升至29.3%，但报告序列与真值一致率仅3.7%。