Tag · 3 篇
视频问答基准
01 02 03
Minerva-Ego：面向第一人称视频理解的时空提示
Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
把「该看哪里、何时看」的时空掩码作为提示注入前沿多模态模型，可显著提升复杂视频推理；这套提示构造与推理链标注方式可直接迁移到其他视频问答或具身感知任务的评测与增强。
从位置到功能：多模态大语言模型中的空间-功能智能基准
From Where Things Are to What They Are For: Benchmarking Spatial-Functional Intelligence in Multimodal LLMs
该基准为视觉语言模型提供了诊断空间记忆与功能推理结合能力的评测工具，可用于检验模型在具身场景下的高阶认知瓶颈，并指导融合感知、记忆与推理的模型设计。
FPS-Bench：面向高帧率视频理解的基准
FPS-Bench: A Benchmark for High Frame-Rate Video Understanding
提出 minFPS 这一可复用的度量，用来量化一个问题所需的最低帧率；做视频 VLM 或时序建模时，可用它诊断模型在时间采样上的瓶颈，并据此设计高帧率采样或时序聚合策略。