AI能否「圣地巡禮」？多模態(tài)大模型全新評(píng)估基準(zhǔn)VIR-Bench來(lái)了

大家或許都有過(guò)這樣的體驗(yàn)：

看完一部喜歡的動(dòng)漫，總會(huì)心血來(lái)潮地想去 “圣地巡禮”；刷到別人剪輯精美的旅行 vlog，也會(huì)忍不住收藏起來(lái)，想著哪天親自走一遍同樣的路線。旅行與影像的結(jié)合，總是能勾起人們的探索欲望。那么，如果 AI 能自動(dòng)看懂這些旅行視頻，幫你解析出 “去了哪些地方”“順序是怎樣的”，甚至還能一鍵生成屬于你的旅行計(jì)劃，會(huì)不會(huì)很有趣？這不僅僅是阿宅的想象，更是多模態(tài)大模型在真實(shí)世界應(yīng)用中的一個(gè)重要場(chǎng)景。

正是在這樣的啟發(fā)下，來(lái)自日本早稻田大學(xué)，CyberAgent 和奈良先端科學(xué)技術(shù)大學(xué)院大學(xué)的團(tuán)隊(duì)提出了一個(gè)全新的多模態(tài)大模型評(píng)估基準(zhǔn) VIR-Bench ，旨在評(píng)測(cè) AI 是否真的能理解旅行視頻中的地理位置與時(shí)間順序，從而支撐更復(fù)雜、更實(shí)用的應(yīng)用。用一句話來(lái)概括，這項(xiàng)研究就是在追問(wèn)：“我從哪里來(lái)？我要到哪里去？”

• 論文地址：https://www.arxiv.org/abs/2509.19002
• GitHub：https://github.com/nlp-waseda/VIR-Bench

VIR-Bench 是什么？任務(wù)設(shè)計(jì)與數(shù)據(jù)集構(gòu)建

任務(wù)目標(biāo)：行程還原（Itinerary Reconstruction）

在 VIR-Bench 中，給定一個(gè)旅行 vlog（在日本拍攝），模型要輸出訪問(wèn)順序圖（visiting order graph），也就是 “我去了哪些地點(diǎn)、按什么順序、地點(diǎn)之間有哪些包含關(guān)系” 的結(jié)構(gòu)化表示。

更具體地，這個(gè)訪問(wèn)順序圖是一個(gè)有向圖，其中：

• 節(jié)點(diǎn)表示被訪問(wèn)的地點(diǎn)，按層次分為 Prefecture，City，和 POI（Point of Interest）三層級(jí)。
• 包含邊（Inclusion edge） 表示層次上的 “大地理單元包含小地理單元” 關(guān)系（例如某 POI 在某個(gè) City 里，某個(gè) City 在某個(gè) Prefecture 里）。
• 轉(zhuǎn)移邊（Transition edge） 表示時(shí)間順序上的移動(dòng)：從一個(gè)節(jié)點(diǎn)移動(dòng)到下一個(gè)節(jié)點(diǎn)（同層級(jí)）表示旅行順序。

這意味著模型不僅要識(shí)別出 “我去過(guò)的地點(diǎn)”，還要判斷這些地點(diǎn)之間的時(shí)間順序，地理空間關(guān)系，進(jìn)而構(gòu)建出整個(gè)旅行路徑的結(jié)構(gòu)。此外，由于旅行視頻往往是自拍視角 / 行進(jìn)視角 / 風(fēng)光視角等交錯(cuò)出現(xiàn)，模型需要在多樣視角、非連續(xù)畫面中“拼圖式” 理解，這進(jìn)一步提升了任務(wù)難度。

為便于模型訓(xùn)練與評(píng)測(cè)，作者將這一復(fù)雜任務(wù)拆解為兩個(gè)子任務(wù)：

1. 節(jié)點(diǎn)預(yù)測(cè)：給定視頻，模型列出所有被訪問(wèn)的 Prefecture、City、POI。

2. 邊緣預(yù)測(cè)：給定視頻 + 節(jié)點(diǎn)集合（節(jié)點(diǎn)標(biāo)簽順序被打亂），模型要判斷哪些節(jié)點(diǎn)之間存在包含邊，哪些節(jié)點(diǎn)之間存在轉(zhuǎn)移邊。即預(yù)測(cè)邊的集合。

通過(guò)這種分解方式，我們可以分別評(píng)估模型的地理識(shí)別能力與時(shí)序推理能力，以及它們?cè)趯?shí)際組合時(shí)的協(xié)同性。

數(shù)據(jù)集構(gòu)建：200 個(gè)旅行視頻 + 訪問(wèn)順序圖

為了支撐上述任務(wù)，作者構(gòu)建了一個(gè)規(guī)模適中的專用數(shù)據(jù)集：

• 視頻數(shù)量：200 個(gè)旅行 vlog（都在日本拍攝） 。
• 地點(diǎn)覆蓋：共標(biāo)注出 3,689 個(gè) POI，分布在日本 43 個(gè)都道府縣（幾乎覆蓋全日本） 。
• 標(biāo)注方式：每個(gè)視頻由人工注釋者識(shí)別每個(gè) POI 的起止時(shí)間、Google Maps 鏈接，并通過(guò)雙人校驗(yàn)后自動(dòng)構(gòu)建最終的訪問(wèn)順序圖。

作者在論文中還附上了詳細(xì)注釋指南、數(shù)據(jù)分布統(tǒng)計(jì)等信息（可見(jiàn) Appendix 部分）。

實(shí)驗(yàn)結(jié)果與洞察：當(dāng)前模型面臨的挑戰(zhàn)

在實(shí)驗(yàn)中，作者發(fā)現(xiàn)開(kāi)源模型整體上仍然落后于商用模型，尤其是在 POI 節(jié)點(diǎn)識(shí)別 和 轉(zhuǎn)移邊預(yù)測(cè) 這兩個(gè)子任務(wù)上差距尤為明顯。進(jìn)一步的分析顯示，轉(zhuǎn)移邊預(yù)測(cè)幾乎是所有模型的 “最難關(guān)”：不少模型要么直接誤解了任務(wù)要求，要么忽視了層級(jí)結(jié)構(gòu)的約束（只有同層級(jí)節(jié)點(diǎn)之間可以有轉(zhuǎn)移邊），結(jié)果往往接近隨機(jī)水平。

另一方面，模型規(guī)模的擴(kuò)展對(duì)性能提升具有顯著作用，尤其體現(xiàn)在邊緣預(yù)測(cè)上；而是否具備地理相關(guān)的預(yù)訓(xùn)練，則成為 POI 節(jié)點(diǎn)預(yù)測(cè)精度差異的關(guān)鍵因素。值得注意的是，思維鏈推理（Chain-of-Thought） 的效果在不同子任務(wù)中差別很大：在節(jié)點(diǎn)預(yù)測(cè)中提升有限，但在邊緣預(yù)測(cè)中卻能帶來(lái)顯著的改善。如果再進(jìn)一步結(jié)合音頻信息（例如 Gemini-2.5-Pro 的多模態(tài)輸入），效果提升尤為突出。

Ablation 實(shí)驗(yàn)也為我們揭示了模型性能提升的幾個(gè)關(guān)鍵方向：增加輸入幀數(shù)可以讓模型捕捉更完整的旅行線索，更長(zhǎng)的推理過(guò)程能幫助模型逐步還原旅行順序，而音頻的利用則能提供額外的語(yǔ)義提示。三者結(jié)合，共同推動(dòng)了模型在復(fù)雜時(shí)空理解任務(wù)上的進(jìn)步。

然而，即便有這些改進(jìn)，整體性能仍遠(yuǎn)未達(dá)到可用水平。即使是當(dāng)前得分最高的 Gemini-2.5-Pro，在預(yù)測(cè)結(jié)果中依然存在大量錯(cuò)誤，這進(jìn)一步凸顯了多模態(tài)大模型在長(zhǎng)程地理與時(shí)間理解上的巨大挑戰(zhàn)。

表1: 節(jié)點(diǎn)預(yù)測(cè)的評(píng)估結(jié)果

表2: 邊緣預(yù)測(cè)的評(píng)估結(jié)果

總而言之，VIR-Bench 不僅是一個(gè)新的評(píng)測(cè)基準(zhǔn)，更是為未來(lái)諸多應(yīng)用打開(kāi)了一扇窗口。通過(guò)在旅行視頻中重建行程順序，它逼迫模型同時(shí)理解 “地理位置 + 時(shí)間順序”，這與機(jī)器人如何理解世界、規(guī)劃路徑，以及自動(dòng)駕駛系統(tǒng)如何在動(dòng)態(tài)環(huán)境中進(jìn)行決策高度契合。

這一研究讓我們看清：當(dāng)前的大模型在長(zhǎng)程推理和時(shí)空理解上仍有明顯不足，但也指明了進(jìn)化的方向 —— 更強(qiáng)的地理空間感知、更可靠的時(shí)間推理，以及多模態(tài)信息的深度融合。當(dāng)這些能力逐漸成熟，AI 將不再只是 “看視頻”，而是真正具備 “在世界中行動(dòng)” 的潛力。