论文：Can Vision Language Models Judge Action Quality? An Empirical Evaluation

一句话核心结论

现在最强的看图说话 AI，根本做不了 “动作打分”，在健身、花滑、跳水这些精细动作上，基本等于瞎蒙，离真人教练 / 裁判差太远。

它到底研究了啥

• 研究场景

动作质量评估（AQA）：看视频给动作打分，比如健身标不标准、跳水漂不漂亮、花滑规不规范。

• 测试对象

目前顶流多模态模型：Gemini 3.1 Pro、Qwen3‑VL、InternVL3.5 等。

• 怎么测的

换各种提示词、加人体骨架信息、用分步推理、给例子学习

覆盖健身、花样滑冰、跳水等多个场景

• 测出来啥结果

所有模型只比瞎猜好一丢丢，基本不及格

加骨架、改提示、给例子，偶尔有用，但没有稳定有效的办法

AI 有两个明显毛病：

    不管动作对不对，总爱说 “做得好”

    很容易被提问话术带偏，怎么问就怎么答

• 最后结论

不是改改提示就能解决，是 AI 根本理解不了精细动作，现在还不能拿来当靠谱裁判或教练。