跳到正文
arXiv · 机器人与计算机视觉· Changbeen Kim, Junwon Chang, Kipyo Kim, Risa Shinoda, Kuniaki Saito, Donghyun Kim·· 2026-10-06精选AI 评分78

VidOmni-Bench:基于时空事件验证的细粒度视频理解基准

VidOmni-Bench: A Benchmark for Fine-Grained Video Understanding via Spatio-Temporal Event Verification across Complexity and Duration

AI 导读

针对现有视频大模型评测依赖问答或简单匹配导致模型利用表面线索的问题,作者提出了 VidOmni-Bench 基准。该基准包含 500 个时长从 4 秒到 90 分钟、涵盖五种复杂度的视频,要求模型验证密集视频描述中每个事件是否得到视频支持。实验发现视频大模型在密集描述生成时频繁出现幻觉,且作为验证器难以可靠检测看似合理但错误的事件描述,其弱点随视频复杂度与时长变化而不同。

推荐理由

该基准通过时空事件验证评估视频大模型的细粒度理解能力,揭示了幻觉与验证失效等瓶颈。

来源:arXiv · 机器人与计算机视觉 · arxiv.org