一篇于2026年10月13日提交至arXiv的论文介绍了OmniCompass，这是一个面向全模态视频定位与理解的综合评测基准。原始论文摘要显示，该基准试图解决现有视频理解评测覆盖维度有限、难以系统定位模型缺陷的问题。
OmniCompass分为两个评测方向：OmniCompass-VL主要考察视觉语言模型对视觉证据的使用，OmniCompass-AV则要求模型联合利用音频和视频证据。每个方向都包含时间定位、空间定位和问答三类任务，分别对应“目标何时出现”“目标位于何处”以及“视频中发生了什么”。问答部分还进一步区分感知和推理类别，使评测不只看最终答案是否正确，也能观察模型在哪个环节出现问题。
规模方面，OmniCompass-VL包含820段视频和2460个实例，覆盖不同领域以及短、中、长三种时长；其叙事性较强、音频信息丰富的OmniCompass-AV子集包含240段视频和720个实例。论文还设置了文本描述与文本加图像两种配对条件，用同一目标检验不同提示方式下的表现，所有实例据称经过人工标注和多轮质量核验。
这项工作的价值不在于发布一个新的生成模型，而在于把多模态视频能力拆分成可诊断的评测问题：模型可能能够回答“发生了什么”，却无法准确找到事件发生的时间或空间位置；也可能在只看文字描述和同时获得图像提示时给出不一致结果。对于模型开发者而言，这类基准有助于区分检索、定位和语义推理环节的误差；对于应用方而言，单一总分不足以证明模型适合监控、检索或视频分析等任务。
需要注意的是，OmniCompass目前是arXiv预印本，页面信息主要反映论文作者提出的基准设计与数据规模，不能等同于经过同行评审的最终结论。后续还需要关注数据开放情况、评测协议是否被独立复现，以及音视频联合测试能否稳定反映真实场景中的模型能力。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
