基准
LongVALE
用于评估全模态时序定位能力的基准数据集，衡量模型在视频/音频-视觉内容中定位事件时间区间的精度。
时间轴 (近 90 天)
10月20日
OmniGround 在 LongVALE 基准上达到 37.5 mIoU，在 UnAV-100 基准上达到 35.7 mIoU，均达到全模态时序定位的 SOTA 水平。
待验证50%
10月20日
LongVALE 侧重视觉-音频-语言联合理解，UnAV-100 聚焦音频事件定位，两者是常用的音视频时序定位基准。
待验证50%
用于评估全模态时序定位能力的基准数据集，衡量模型在视频/音频-视觉内容中定位事件时间区间的精度。
OmniGround 在 LongVALE 基准上达到 37.5 mIoU，在 UnAV-100 基准上达到 35.7 mIoU，均达到全模态时序定位的 SOTA 水平。
LongVALE 侧重视觉-音频-语言联合理解，UnAV-100 聚焦音频事件定位，两者是常用的音视频时序定位基准。