LVSum：面向长视频摘要的时间感知基准

LVSum是一个面向长视频摘要的时间感知基准，旨在评估多模态大模型在长时间视频摘要中的时间保真度。

• LVSum包含72个视频，涵盖13个领域，平均时长16分钟，每个视频有最多10个人工生成的带时间戳的摘要。
• 该基准专门测试模型在长视频中保持语义和时间对齐的能力，这是当前MLLM的薄弱环节。
• 评估发现，现有模型在时间准确性上表现不佳，常出现时间错位或遗漏关键事件。
• LVSum提供了细粒度的评估标准，有助于推动长视频理解技术的发展。
• 该基准由Apple发布，旨在促进更可靠的长视频摘要系统。
• 影响/看点：LVSum为长视频摘要设立了新标杆，将推动模型在视频监控、内容审核等场景的实用化。

本内容由 AI 生成，仅供参考，请注意甄别