OmniCapBench发布细粒度音视频描述评测框架

2026年10月8日，Hugging Face Daily Papers报道了OmniCapBench，一个面向细粒度音视频描述评测的深度结构化框架。该基准将音视频描述评测重构为深度结构化诊断，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，并结合确定性约束检查与局部LLM语义比较。评测显示，前沿MLLM局部感知较强，但长时序音视频推理较弱，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。

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。