LVLMの評価盲点：画像シーケンスの時間的順序推論に潜む構造的バイアス

生成マルチメディアの進化に伴い、画像シーケンスの時間的・論理的連続性を評価するAIの能力が課題となっています。現在のLVLMは単一画像の評価には優れるものの、時系列の順序判断では性能が著しく低下することが判明しました。これはデータ不足ではなく、モデルの構造的バイアス、特に「初頭効果」と「親近性効果」に起因します。本稿は、LVLMが長尺の視覚的推論に不向きである可能性を指摘し、時間的連続性を考慮した新たな評価パラダイムの必要性を提唱します。