SleuthVLM：不直接听音频的全模态视频理解

2026年11月4日，Hugging Face Daily Papers 报道了论文 SleuthVLM，提出视频全模态理解或许不需要直接接收音频输入。该论文提出 SleuthVLM，这是一个不直接接收音频的视觉语言模型（VLM）智能体框架：语音先被转写为文本，再由 VLM 自主探查视频内容。报道称，在四个全模态基准、最长 90 分钟的视频上，其平均准确率达到 75.0%，高于 Gemini 3.8 Flash 2.6 个百分点，并以 77.8% 的成绩登顶 Video-MME-v2；基于开源 27B VLM 时，其表现优于所有开源全模态模型。目前该工作处于论文发布阶段，后续进展尚待观察。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。