**PlaylistEval：评估视频语言模型在超长视频中的裁判可靠性**

_PlaylistEval: Can Video-Language Judges Be Trusted at Day Scale and Beyond?_

> 针对现有基准无法评估视频语言模型在长达数小时视频中的判断可靠性问题，研究团队提出 PlaylistEval 框架。该框架无需人工标注，基于 100 小时播放列表自动生成包含 630 对答案的基准，并通过因果退化控制答案差异以强制跨集合检索。实验显示，前沿模型在成对准确率上仅达 75.4%，且性能随视频集合增大而下降，验证了多模态检索与判断的必要性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-30 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.34314)