MINED：利用多模态时效知识探测和更新大型多模态模型

大型多模态模型（LMM）通过跨模态预训练编码丰富的知识， 但其静态表示难以保持对时效性知识的准确理解。现有基准仍受静态设计的限制， 未能充分评估 LMM 理解时效性知识的能力。为了弥补这一空白，我们提出了 MINED， 一个综合性基准，从认知、意识、可信度、理解、推理和鲁棒性 6 个关键维度和 11 个挑战性任务评估时间意识。MINED 由两位专业标注员从维基百科构建而成，包含 2,104 个跨越六种知识类型的时效性知识样本。对 MINED 上 15 个广泛使用的 LMM 进行评估表明，Gemini-2.5-Pro 取得了最高的平均 CEM 分数 63.07，而大多数开源 LMM 仍然缺乏时间理解能力。同时，LMM 在组织知识方面的表现最佳，而在体育方面的表现最弱。 为了应对这些挑战，我们研究了通过知识编辑方法更新 LMM 中时效性知识的可行性，并观察到 LMM 可以在单一编辑场景中通过知识编辑方法有效更新知识。