OmniCompass: целостный бенчмарк для омни-модального video grounding и понимания

исследования официальный 1 ист. ~1 мин

Новый бенчмарк для омни-модального video grounding с vision-language-треком (820 видео, 2 460 инстансов) и audio-visual-треком (240 видео, 720 инстансов), каждый протестирован в парных режимах «только текст» vs «текст+изображение». Оценка 50 мультимодальных LLM показывает, что open-source-модели отстают от проприетарных, особенно в audio-visual-понимании.

Почему это важно

Самый апвоученный paper этого окна — 566 апвоутов на HuggingFace Daily Papers за 16 октября 2026 года.

Важность: 4/5

флагманский/заметный релиз с независимым сигналом (апвоуты или освещение несколькими источниками)

benchmarks video-understanding evaluation multimodal

Источники

официальный arXiv:2610.18829 — OmniCompass