// 论文详情

OmniCapBench：面向细粒度音视频描述的深度结构化评估框架

多模态大语言模型（MLLM）正快速向连续的音视频推理演进，因此迫切需要能够揭示其能力边界的评估方法。音视频描述是一项理想的诊断任务，但现有基准面临一个相互耦合的权衡：整段描述层面的评分