研究人员推出了 Moment-Video，这是一个旨在评估视频多模态大语言模型（MLLMs）时间保真度的新基准。该基准侧重于模型理解当前采样和压缩技术可能遗漏的短暂、关键视觉事件的能力。对 33 个 MLLMs 的评估显示，即使是表现最好的 Seed-2.0-Pro，准确率也仅为 39.6%，这凸显了它们在处理和利用瞬时视觉信息方面的能力存在显著差距。 AI
影响 突出了视频大语言模型的一个关键局限性，可能推动对更具时间感知能力的架构和评估方法的研究。
排序理由 该集群包含一篇介绍 AI 模型评估新基准的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.02522v1 Announce Type: cross Abstract: Video multimodal large language models (MLLMs) have made rapid progress on general and long-form video understanding, yet their ability to preserve brief answer-critical visual evidence remains underexplored. Many practical questi…
Video multimodal large language models (MLLMs) have made rapid progress on general and long-form video understanding, yet their ability to preserve brief answer-critical visual evidence remains underexplored. Many practical questions are determined by momentary visual events: loc…