**EvaOmni：首个基于证据的音视频推理基准，揭示顶尖模型在时空定位上的短板**

_EvaOmni: An Evidence-Grounded Benchmark for Audio-Visual Reasoning_

> 针对现有音视频推理基准仅关注答案正确性、忽视推理链条及易受文本或单模态捷径干扰的问题，研究团队推出了 EvaOmni 基准。该基准包含 392 个视频和 1027 个人工标注的问答对，涵盖检索、理解及复杂推理三个层级。EvaOmni 要求模型同时输出答案与证据时间区间，并引入覆盖度评分（C.G.）和瓶颈评分（B.G.）来严格评估证据定位能力。测试显示，尽管 Gemini3.7-Flash 在整体准确率上领先，但在高阶推理的证据定位（B.G.）上表现仍不理想，表明当前模型在基于证据的音视频推理方面仍有巨大提升空间。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.28444)