यह शोधपत्र स्थान-समय अंतःक्रियाओं को समझने में दृष्टि भाषा मॉडल (वीएलएम) की सीमाओं पर विचार करता है। मौजूदा वीएलएम वस्तुओं की गति, घूर्णन और दृष्टिकोण परिवर्तनों को समझने में कठिनाई महसूस करते हैं, जो गतिशील वास्तविक दुनिया की स्थितियों को समझने के लिए आवश्यक क्षमताएँ हैं। इसलिए, हम वीएलएम की स्थान-समय तर्क क्षमताओं के मूल्यांकन हेतु एक नवीन मानक, वीएलएम4डी प्रस्तुत करते हैं। वीएलएम4डी में विभिन्न प्रकार के वास्तविक और कृत्रिम वीडियो और सावधानीपूर्वक निर्मित प्रश्न-उत्तर युग्म शामिल हैं, जो स्थानान्तरणीय और घूर्णन गति, दृष्टिकोण जागरूकता और गति निरंतरता पर ज़ोर देते हैं। अत्याधुनिक वीएलएम का एक व्यापक मूल्यांकन मानव मानकों की तुलना में महत्वपूर्ण प्रदर्शन अंतरालों को प्रकट करता है, जो मौजूदा मॉडलों की मूलभूत कमियों को उजागर करता है। हमारे विश्लेषण से पता चलता है कि वीएलएम कई दृश्य संकेतों को एकीकृत करने और समय-समय पर सुसंगतता बनाए रखने में कठिनाई महसूस करते हैं। हम आशाजनक दिशाओं का भी पता लगाते हैं, जैसे कि 4डी फ़ीचर फ़ील्ड पुनर्निर्माण और लक्ष्य-निर्देशित स्थान-समय पर पर्यवेक्षित शिक्षण का सूक्ष्म समायोजन, जो स्थान-समय समझ को बढ़ाने में उनकी प्रभावशीलता को प्रदर्शित करता है। इस अध्ययन का उद्देश्य गतिशील वातावरण के लिए अधिक सक्षम और विश्वसनीय दृश्य बुद्धिमत्ता की दिशा में वीएलएम में स्थानिक और लौकिक संवर्द्धन के आगे अन्वेषण को प्रोत्साहित करना है।
