音视频时序理解

FAVE：面向多模态大模型细粒度音视频时序评测的结构化基准

FAVE: A Structured Benchmark for Fine-Grained Audio-Visual Temporal Evaluation in Multimodal LLMs

对做视频-语言或多模态大模型的人，FAVE 提供了三个可复用的评测维度（跨模态时序对齐、事件时序关系、时刻描述）和一套基于镜头边界检测+自动描述+GPT 精修的标注流水线，可直接用来诊断模型的时间戳定位与音视频联合推理短板。