TimeScope基准测试：视频大模型能看多长视频？

Hugging Face 发布 TimeScope 基准测试，用于评估视频大语言模型（Video LMM）处理长视频的能力。该基准包含多个时长从30秒到数小时的视频片段，测试模型在理解长视频内容、时间定位、事件推理等方面的表现。初步结果显示，当前主流视频模型在长视频理解上存在明显短板，尤其是超过10分钟的视频，模型性能显著下降。TimeScope 旨在推动视频模型向更长时间上下文理解发展，为研究者提供标准化评估工具。