**LongAV-Compass：面向分钟级音频-视觉生成的统一评估基准**

_LongAV-Compass: Towards Unified Evaluation of Minute-Scale Audio-Visual Generation Across T2AV, I2AV, and V2AV_

> 这篇论文提出了LongAV-Compass，一个用于评估分钟级长时音频-视觉生成质量的系统化基准。现有评估方法主要关注5-10秒的短视频生成，且缺乏跨模态（文本、图像、视频）的统一评估。LongAV-Compass包含284个测试案例，覆盖文本转音视频、图像转音视频和视频转音视频三种生成任务，并整合了MLLM辅助评估与多种感知指标（如DINO-v2、CLIP等），评估了20多个细粒度维度，包括片段内质量、跨片段一致性、全局叙事连贯性和音视频同步性。该基准通过对11个代表性模型的实验和人类对齐验证，为分析当前系统在维持长时一致性和语义对齐方面的能力提供了诊断工具。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.26244)