精选理由
视频 MLLM 开发者终于有了专门诊断时间保真度的基准——Moment-Video 直击模型在瞬间事件上的致命短板，做视频理解或模型评估的团队值得用它来检验自家模型。
视频多模态大语言模型在长视频理解上进步迅速，但它们在捕捉短暂但关键的视觉证据（如几帧内的动作或状态变化）方面能力不足。Moment-Video 是一个新基准，包含 1000 个人工验证的视频问答对，覆盖 7 个领域和 25 个子类别，测试模型在时间发生、计数、动作描述和推理上的表现。评估 33 个模型后，最佳模型 Seed-2.0-Pro 准确率仅 39.6%，多数开源模型低于 25%，揭示了巨大差距。分析表明，密集帧采样能部分改善但无法消除瓶颈，长视频带来更强的定位挑战。这显示当前视频 MLLM 仍缺乏时间保真表示来捕捉和利用短暂但决定性的视觉证据。
AI 翻译 · 中文
视频多模态大语言模型在长视频理解上进步迅速，但它们在捕捉短暂但关键的视觉证据（如几帧内的动作或状态变化）方面能力不足。Moment-Video 是一个新基准，包含 1000 个人工验证的视频问答对，覆盖 7 个领域和 25 个子类别，测试模型在时间发生、计数、动作描述和推理上的表现。评估 33 个模型后，最佳模型 Seed-2.0-Pro 准确率仅 39.6%，多数开源模型低于 25%，揭示了巨大差距。分析表明，密集帧采样能部分改善但无法消除瓶颈，长视频带来更强的定位挑战。这显示当前视频 MLLM 仍缺乏时间保真表示来捕捉和利用短暂但决定性的视觉证据。
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 practi…