SleuthVLM公布长视频理解评测结果

布里斯托大学、蚂蚁集团与清华团队发表SleuthVLM论文，并开源27B视觉语言模型版本。该方法不直接处理音频，而是先转写语音，再让模型自主探索视频，不采用预设工作流。 论文称，在4个最长包含90分钟视频的omni基准上，SleuthVLM平均准确率为75.0%，比Gemini 3.8 Flash高2.6个百分点；其开源27B版本在Video-MME-v2榜单取得77.8%，超过其他开源omni模型。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。