Video-MME：多模态大语言模型视频理解全谱系基准

Video-MME 是面向多模态大语言模型的视频理解全谱系基准，包含来自 6 大领域、30 个子类的 900 段视频（约 254 小时）和 2700 道专家标注的选择题。视频覆盖短（<2 分钟）、中（4–15 分钟）、长（30–60 分钟）三种时长，模型可仅凭视觉帧或结合字幕与音频评估，榜单按视频时长和字幕设置报告准确率，揭示模型在更长、更复杂序列上的性能下降。