OmniCapBench：面向细粒度音视频描述评测的深度结构化框架

OmniCapBench 是一个将音视频描述评测重构为深度结构化诊断的基准，把预测目标从自由文本改为实体引用、视觉镜头和音频事件三类原子化可验证评测单元，包含 786 段密集标注视频，结合确定性约束检查与局部 LLM 语义比较。评测显示前沿 MLLM 局部感知强但长时序音视频推理弱，尤其在身份漂移和跨模态错位上表现不佳。该工作已被 NeurIPS 2026 接收。