Языковые костыли: мультимодальные модели угадывают ответы о видео, не глядя на изображения

Парадокс: уберите картинку из запроса к GPT-4o — и ответ часто не изменится. ChronoPhyBench проверил это на 25 моделях: высокие результаты сохраняются даже без изображения, потому что модель читает ваш текст, достаёт паттерн из обучения и отвечает. Понимание этого языкового костыля позволяет форсировать реальный визуальный анализ через структуру запроса — вместо уверенного, но сгенерированного «на автопилоте» ответа. CoT-форсирование создаёт «визуальную зацепку»: модель сначала вербализует картинку, и этот промежуточный текст становится контекстом для финального шага — игнорировать изображение теперь намного сложнее.