연구진은 VLMs가 영상 속에서 무엇이 발생하는지 인식하지만, 몇 번 반복되는지 세는 데 어려움을 겪는다는 점을 지적했어요. PushupBench 데이터셋을 공개하여 446개의 긴 영상 클립을 활용해 반복 횟수 세기 능력을 평가할 수 있도록 했어요. 연구 결과, 정확도가 오해를 불러일으킬 수 있으며, 약한 모델은 단순히 가장 흔한 개수를 활용하는 경향이 있는 것으로 나타났어요.