TimeScope：视频大多模态模型到底能处理多长的视频？

开源评测基准 TimeScope 在 Hugging Face 发布，旨在通过在 1 分钟至 8 小时的基础视频中插入 5 至 10 秒的短视频片段，评估视觉语言模型的长视频理解能力。该基准从局部检索、信息综合和细粒度时序感知三项任务进行评测，测试发现前沿模型在面对真实时序理解时仍表现吃力，性能随视频变长出现明显下滑。