**OmniCapBench：细粒度音视频字幕评估新框架**

_OmniCapBench: A Deep-Structured Evaluation Framework for Fine-Grained Audio-Visual Captioning_

> HuggingFace 社区热门论文提出 OmniCapBench，一种针对多模态大模型（MLLMs）的深层结构化音视频字幕评估基准。该框架将评估目标从自由文本重构为实体、镜头和音频事件等原子化可验证单元，结合确定性约束检查与局部 LLM 语义比较，有效识别时序定位失败、身份漂移及跨模态错位等感知错误。评估结果显示，前沿 MLLM 在局部感知上表现强劲，但在长程音视频推理方面仍存在显著短板。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-09 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.12458)