影片模型在高頻多事件區僅答對 0.2%，增加取樣幀仍未找回事件證據

影片語言模型在綜合基準上得分不低，卻不一定能可靠記錄重複事件。馬里蘭大學團隊擴充 Low Frequency Trap，建立 2,190 段、每段 24 秒的合成影片，分別呈現彈球撞牆、短暫閃爍及持續狀態切換。事件數從 0 至 12，頻率從 0.5 至 4 Hz；渲染器同時輸出事件時間、前後狀態與累計數，使研究者能核對模型列出的每個事件，而不只檢查最終答案。

Gemini 3.6 Flash 在 80% 可靠度門檻下，可於 0.5 及 1 Hz 正確處理最多 12 次持續狀態轉換；面對短暫閃爍時，卻連最低的正事件數都沒有形成可靠區域。當事件數與頻率同時升高，最終計數準確率降至 0.2%，真實事件召回率為 18.1%。補充測試的 Qwen3‑VL‑235B 也呈現成績集中於低數量、低頻率區域，但兩款模型使用不同原生介面與取樣率，因此不能用圖表直接比較優劣。

更值得工程團隊注意的是，將彈球影片輸入由原生設定提高至 4 FPS，最終答案準確率由 19.6% 升至 29.3%，模型回報的事件序列與真值對齊 F1 卻只有 3.7%；以事件為中心挑選關鍵幀甚至可把答案準確率推至 68.6%，但相應軌跡 F1 仍僅 9.7%。這表示增加視覺證據可能讓模型猜中總數，未必代表它真的找到了正確事件。

對影片搜尋、監控及流程稽核系統而言，部署測試應同時記錄事件時間戳、召回率與「答案正確但證據不忠實」比例。研究目前主要依賴三種簡化動畫及 Gemini 單一主要模型，尚未隔離遮擋、鏡頭運動與不規則事件間隔；新版亦是早期工作坊研究的實質擴充，而非全新議題。