本文介绍了NarrativeTrack，这是评估多模态大语言模型（MLLMs）叙事理解的首个基准。该基准通过细致的实体中心推理，分析视频中的动态叙事。研究发现，现有模型在视觉转变和时间动态中难以稳定追踪实体，揭示了感知基础与时间推理之间的权衡。NarrativeTrack为提升MLLMs的时间基础叙事理解提供了系统框架。