本文探讨了视觉语言模型（VLMs）在基础视觉线索关联能力上的表现，并提出了VLM²-Bench评测框架。研究发现，尽管VLMs在多图和视频处理上有所提升，但在视觉线索关联能力，尤其是人物识别任务中仍显不足。分析表明，语言和视觉中心的提示方法对模型性能有显著影响，并指出未来研究方向。