Tag · 1 篇
EgoSound: Benchmarking Sound Understanding in Egocentric Videos
为视觉研究者提供了一个可复用的第一人称音视频问答基准与七任务分类体系，可用于诊断多模态大模型在离屏事件、空间定位与因果推理上的盲区，并作为音频-视觉联合训练或评测的下游测试床。