**CodeCap-Bench：代码能否成为优秀的视频描述？**

_CodeCap-Bench: Can Code Serve as a Good Video Caption?_

> 本文提出以可执行代码作为视频描述的新范式，旨在通过图形原语和时序函数更精确地表达视频的细粒度空间结构与动态。研究对比发现，代码描述在推理准确性和视频重建保真度上均优于自然语言描述。为此，作者构建了 CodeCap-Bench 基准，包含 323 个结构化 2D 视频及多级评估框架。实验表明，尽管主流专有 MLLM 展现了潜力，但在捕捉复杂时序动态方面仍显不足，开源模型则差距显著。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.37341)