OmniCapBench发布音视频描述评测基准

研究团队发布音视频描述评测基准 OmniCapBench，把预测目标从自由文本改为可验证的原子单元，覆盖实体指代、视觉镜头和音频事件三条轨道。基准包含 786 个密集标注视频，通过确定性约束检查和局部语义对比，定位多模态大模型（MLLM）在时间对齐、身份漂移、跨模态错位和幻觉描述上的具体错误类型。 评测前沿 MLLM 的结果显示，其局部感知能力较强，但长程音视频推理明显偏弱，尤其在身份漂移和跨模态错位上问题突出。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。