想象你组织了一场“追剧达人资格赛”：选手要从头追完一部 60 集的电视剧，考题包括“第 3 集的伏笔在第 50 集如何回收”、“名场面出现在第几集第几分钟”、以及“用一句话给全剧写安利”。人类追长剧会犯困、会倍速、会忘剧情，AI 看长视频同样面临“记不全、看不完、找不着”的窘境。长视频理解（Long Video Understanding）评测，就是为这种“追剧能力”设计的一整套标准化考卷：它用数分钟到数小时的视频，专门考验模型的时序依赖建模、信息冗余过滤和关键事件检索能力。本篇就带你从“出题人”的视角，看懂长视频评测基准的原理、主流榜单与评测流程。

岗位关联

掌握长视频评测基准，你就能用一套标准化“考卷”量化多模态模型对长片视频的真实理解水平，为模型选型、效果优化和业务落地提供最可信的证据。

目录
  1. 可视化演示
  2. 长视频界定
  3. 核心挑战
  4. 评测任务设计
  5. 主流基准
  6. 评测指标
  7. 记忆机制
  8. 评测流程
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示长视频长程时序依赖建模、关键帧冗余处理与压缩、以及不同视频长度下模型准确率变化曲线。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+_captions.temporal+'

长视频界定

想象你在追一部 60 集的电视剧：刷一集 45 分钟的正片，和刷一条 15 秒的搞笑短视频，追起来完全是两种体验。长视频理解里的“长”，就像“正片”与“短视频”之间的分界线——它不是模糊的形容词，而是一道定义考题范围的分水岭。

在视频评测领域，业界大致把“数秒到数十秒”的竖屏内容归为短视频，把“数分钟到数小时”的影视剧、纪录片、监控录像、赛事回放归为长视频。评测基准中的长视频，通常要求模型一口气面对几百甚至上千帧画面，而不是几张“高光截图”。时长量级的不同，让长视频评测天然区别于图像分类或短视频标签任务。

时长跨度直接决定了评测的采样策略。假设一段总时长为 T 秒的视频，我们希望均匀抽取 N 帧送入模型，那么相邻两帧的时间间隔就是：

追 60 集的剧，你得盘算“每几集看一次”才能不漏剧情又不累死；长视频评测同样要规划“每几帧抽一次”。时长的界定不是学术抠字眼，它直接决定了考卷的难度系数和阅卷成本。

Δt=TN−1\displaystyle \Delta t = \frac{T}{N-1}
这个公式说的是“打格子”的思路：N 帧之间共有 N−1 个空隙，总时长除以空隙数，就得到每两帧之间隔多久抽一帧。
  1. 总时长 T视频的完整长度，单位秒。类比整部剧从第一集片头到最后一集片尾的总时长。
    TT
  2. 采样帧数 N模型计划观看的帧数，由上下文窗口和算力上限共同决定。
    NN
  3. 间隔数 N−1首尾帧之间只有 N−1 个“空隙”，就像 5 根手指之间只有 4 个指缝。
    N−1N-1
  4. 采样间隔 Δt总时长除以空隙数，得到相邻两帧之间的时间距离，单位也是秒。
    Δt=TN−1\Delta t = \frac{T}{N-1}

核心挑战

追长剧最怕三件事：记不住第 3 集埋下的伏笔、忍受注水剧情里的角色尬聊、想找“名场面”却要拖进度条翻半天。这三件事，恰好就是长视频理解模型面前的三座大山。

第一座山是时序依赖（temporal dependency，又称长程依赖）：后段剧情的语义往往要从前段画面中推导，模型必须把“很久以前”的信息带到“现在”来用。第二座山是信息冗余：一部长片里大量帧是重复、无关的“日常镜头”，像每集都有的喝水、走路、空镜。第三座山是关键事件检索：真正决定剧情走向的关键情节，可能只占全片极小的时间比例。

冗余程度可以用一个简单的量来刻画：设全片共 T 帧，其中 K 个关键事件平均持续 t̄ 帧，则有效信息占比为 K×t̄/T，冗余度 R 为：

冗余度越高的剧，越需要“倍速加跳进度条”地追；对模型来说，处理冗余帧既烧算力又稀释注意力。理解这三座大山，是看懂后续所有评测设计的前提。

R=1−K×tˉT\displaystyle R = 1 - \frac{K \times \bar{t}}{T}
冗余度越高，说明全片“注水”越严重，模型越需要从海量普通帧中淘出少数关键帧，这对上下文窗口和注意力机制都是巨大考验。
  1. 关键事件数 K全片中承载核心情节的事件个数，类比整部剧的“名场面”数量。
    KK
  2. 平均时长 t̄每个关键事件平均持续多少帧，反映事件的“密度”。
    tˉ\bar{t}
  3. 有效信息占比所有关键事件帧数之和占全片帧数的比例。
    K×tˉT\frac{K \times \bar{t}}{T}
  4. 冗余度 R用 1 减去有效占比，剩下的就是可压缩、可跳过的“注水”部分。
    R=1−K×tˉTR = 1 - \frac{K \times \bar{t}}{T}

评测任务设计

一场正经的“追剧达人资格赛”不会只问“男主角叫什么”，而是分题型考察：能不能说出“为什么第 20 集女主哭了”（因果推理）、能不能定位“名场面在第几集第几分钟”（检索能力）、能不能一句话概括整部剧（主线提炼）。长视频评测的任务设计，正是这样分门别类的。

对应地，评测基准通常包含三类核心任务。一是时序问答（temporal QA）：提出必须横跨多个时间点的推理问题，通常以选择题形式出现，考因果与顺序。二是事件定位（event localization）：要求模型输出关键事件发生的起始时间区间，考跨帧检索。三是视频摘要（video summarization）：让模型生成覆盖主线的高层语义描述，考全局归纳。这三类任务从“点、段、面”三个层次覆盖理解能力。

对时序问答这类判别式任务，最基础的评分方式是准确率：

选择题像判断题，事件定位像“报出第几集第几分”，摘要像“一句话安利”。三种题型合起来，才能测出一名 AI“追剧达人”的完整功力——记住了什么、看懂了什么、能不能讲出来。

Acc=NcorrectNtotal\displaystyle \text{Acc} = \frac{N_{\text{correct}}}{N_{\text{total}}}
准确率就是“答对的题数除以总题数”，但长视频评测里往往还要按题型、按视频时长分层统计，防止被简单题“平均”掉。
  1. 正确数 N_correct模型回答与标准答案一致的题目数量。
    NcorrectN_{\text{correct}}
  2. 总题数 N_total评测集中全部有效题目的数量。
    NtotalN_{\text{total}}
  3. 比值 Acc两者相除得到 0 到 1 之间的准确率。
    Acc=NcorrectNtotal\text{Acc} = \frac{N_{\text{correct}}}{N_{\text{total}}}

主流基准

不同的辅导机构会出不同的模拟卷，各有侧重：有的考记忆力，有的考理解力，有的专门出刁钻的偏题。长视频领域也有一批这样的“模考卷”，其中三套最常被引用。

Video-MME 是一套多模态长视频基准，覆盖影视、纪录片、监控等多种视频类型，用人工标注的选择题全面评估模型的视听理解；EgoSchema 聚焦第一人称视角视频，强调对细粒度动作的时序推理，题目非常“硬核”；LongVideoBench 则主打长上下文问答，专门考验模型在大量冗余帧里检索信息的能力。它们共同构成当前长视频评测的主流坐标系。

基准发布方通常会把视频按类别或难度分组计分，再加权合成总分，防止模型只在某一类题上“刷分”。综合得分定义为：

想当“追剧达人”不能只在爱情剧上满分，正剧、悬疑、纪录片都得能打。加权得分就是防止偏科的考卷设计——这也是多套基准并存、互为补充的原因。

S=∑i=1Cwi×ai\displaystyle S = \sum_{i=1}^{C} w_i \times a_i
加权得分的意思是：每类题目的准确率乘上它的权重再累加，就像考试中“大题占 40 分、小题占 60 分”的分数结构。
  1. 类别数 C考卷按视频类型或难度划分出的题目组数量。
    i=1,2,…,Ci = 1, 2, \dots, C
  2. 各类准确率 a_i模型在第 i 类题目上的准确率。
    aia_i
  3. 权重 w_i每类题在总分中的占比，所有权重加起来等于 1。
    wiw_i
  4. 加权和 S把每类得分乘以权重后逐项累加，得到综合分。
    S=∑i=1Cwi×aiS = \sum_{i=1}^{C} w_i \times a_i

评测指标

只看“答对多少题”远远不够。一个考生可能蒙对答案，却在理由里满口瞎编——就像剧透党猜对了结局，却把凶手说成另一个人。所以阅卷还要看“会不会编”。长视频评测的指标体系，正是围绕“准、全、真”三个字展开的。

在事件定位这类任务中，业界最常用精确率（Precision）和召回率（Recall）两个视角，再用 F1 综合。P 衡量检出的结果里真正关键的比例，防“误报”；R 衡量真正的关键事件中被检出的比例，防“漏报”。两者的调和平均就是 F1：

除 F1 外，评测还会报告幻觉率——模型生成与视频内容不符描述的占比，以及时序一致性——模型推理顺序与真实时间轴的吻合程度。这三个维度就像“追剧复盘”：说得准不准、记得全不全、有没有凭空编梗。

F1=2×P×RP+R\displaystyle F1 = \frac{2 \times P \times R}{P + R}
F1 只有在精确率和召回率都高时才接近 1，它逼着模型“既不漏报、也不误报”，而不是偏向某一端。
  1. 精确率 P检出的候选事件中真正关键的比例，别名“查准率”。
    P=TPTP+FPP = \frac{TP}{TP + FP}
  2. 召回率 R真正关键事件中被成功检出的比例，别名“查全率”。
    R=TPTP+FNR = \frac{TP}{TP + FN}
  3. 分子 2PR对 P 和 R 做乘积，保证两者都高时结果才好看。
    2×P×R2 \times P \times R
  4. 调和平均 F1除以 P+R 完成归一化，得到 0 到 1 之间的综合分。
    F1=2×P×RP+RF1 = \frac{2 \times P \times R}{P + R}

记忆机制

人类能追完 60 集的剧，靠的是“前情提要”、记笔记和弹幕帮忙回忆。模型没有无限脑容量，它的“记忆”就是上下文窗口和采样策略。上下文窗口（context window）限定了模型一次能处理的帧数或标记数——就像一个人同时只能记住最近几集的大致剧情。

面对数小时的长视频，模型不可能把每一帧都送进窗口，于是有了三类工程化手段：帧采样（均匀采样、关键帧采样、随机采样），把密集画面变稀疏；信息压缩（池化、降采样、标记融合），减少每帧占用的标记数；以及检索增强，先粗筛出可能关键的片段再精读。它们的本质都是在“看得全”和“看得清”之间找平衡。衡量压缩程度的核心指标是压缩比：

追剧达人聪明的追法是“每集快进只看冲突段落”，模型的采样与压缩机制正是这种“聪明追法”的工程化。评测长视频理解，本质上也是在测一套记忆策略在超长剧情面前是否够用。

η=LoutLin\displaystyle \eta = \frac{L_{\text{out}}}{L_{\text{in}}}
压缩比是“压缩后进入模型的标记数”除以“原始视频编码后的总标记数”，比值越小说明压缩越狠，但也越可能丢失细节。
  1. 输入标记数 L_in原始视频全部帧经视觉编码器产生的标记（token）总量。
    LinL_{\text{in}}
  2. 输出标记数 L_out经过采样与压缩后真正进入大模型推理的标记数量。
    LoutL_{\text{out}}
  3. 压缩比 η输出与输入的比值，η 越小代表信息压缩越激进。
    η=LoutLin\eta = \frac{L_{\text{out}}}{L_{\text{in}}}

评测流程

办一场“追剧达人资格赛”不能草率：得先出题，再统一组织，最后批卷分析。长视频评测同样是一个闭环流程，任何一环出错都会让榜单失去公信力。

流程的第一步是数据构建：收集原始视频、切分片段、清洗噪声、由人工标注标准答案，并明确按时长、场景、难度分层；第二步是评测执行：所有模型必须使用统一的输入格式和采样策略，在相同硬件环境下运行，保证结果可复现；第三步是结果分析：按指标、按视频类型、按时长区间拆解得分，定位模型的系统性短板，再反哺数据构建与模型迭代。

为了保证多次评测结论稳定，基准通常会对不同样本的得分按置信度加权。设第 i 次评测的得分为 s_i、置信度为 c_i，则最终得分为：

一次模考有偶然性，多场考试按“押题押得准”的方式加权，才有资格宣称某位 AI“追剧达人”是真水平。标准化的评测流程，正是长视频基准能够被学界和业界共同采信的根本原因。

Final=∑i=1Nci×si∑i=1Nci\displaystyle \text{Final} = \frac{\sum_{i=1}^{N} c_i \times s_i}{\sum_{i=1}^{N} c_i}
这个公式是“加权平均”的标准写法：样本越多、标注越可靠的评测，权重越大；不确定的评测不会过度影响总分。
  1. 单次得分 s_i模型在第 i 个样本或第 i 轮评测中的分数。
    sis_i
  2. 置信度 c_i该样本评测结果的可信程度，通常与样本量、标注一致性正相关。
    cic_i
  3. 分子加权和把每次得分乘以其置信度再累加。
    ∑i=1Nci×si\sum_{i=1}^{N} c_i \times s_i
  4. 分母归一除以置信度之和，得到 0 到 1 之间的加权平均分。
    Final=∑i=1Nci×si∑i=1Nci\text{Final} = \frac{\sum_{i=1}^{N} c_i \times s_i}{\sum_{i=1}^{N} c_i}

AI 应用场景

安防监控长视频检索

阶段：模型选型与评测

解决的问题：传统安防靠人盯数小时监控录像，极易疲劳漏看关键画面。部署方先用长视频评测基准（如 Video-MME）在监控类长视频上筛选模型，再上线做跨帧事件检索，能把“找一次目标人物”从数小时人工翻看压缩到分钟级自动定位。

具体案例：某园区部署安防系统，接入数十路摄像头，全天累计数百小时视频。评测工程师用长视频基准对比三个多模态模型的事件定位 F1，选出召回率最高的模型投入生产，成功在午夜录像中自动锁定一起异常闯入事件。

影视平台自动拉片与摘要

阶段：效果评估与迭代

解决的问题：影视平台为每部剧写简介、剪高光，人工拉片成本高且标准不一。平台用长视频理解基准的“视频摘要”与“时序问答”任务作为验收标尺，量化候选模型的抓主线能力，再辅助人工完成内容运营，效率提升数倍。

具体案例：某视频平台引入长视频评测集，对 3 款视频理解模型的摘要准确率、幻觉率排序，最终选定幻觉率最低的模型自动生成 200 部经典剧的“一句话安利”初稿，运营人员只需编辑润色。

体育赛事回放智能分析

阶段：评测驱动的优化迭代

解决的问题：整场球赛长达两小时，教练组想快速找出“第 3 节那次关键抢断”。长视频评测基准把“事件定位”能力变成可对比的分数，帮助分析系统持续优化采样与检索策略，最终让“回放检索”从“手动拖进度条”变为“一句话找片段”。

具体案例：某体育科技公司用 LongVideoBench 风格的任务集迭代自己的视频模型，将关键事件定位 F1 从 0.62 提升到 0.81 后上线，解说员在赛后 5 分钟内即可调用任意战术片段回放。

Python 演示

python52 行
# -*- coding: utf-8 -*-"""长视频评测模拟：对比不同均匀采样间隔下的关键事件检出效果"""import random def build_video(total_frames=600):    """模拟一段 600 帧（约 10 分钟）的长视频，埋入 5 个关键事件"""    random.seed(42)    video = ['normal'] * total_frames    events = [(40, 70), (150, 180), (300, 320), (420, 460), (520, 560)]    for s, e in events:        for i in range(s, min(e, total_frames)):            video[i] = 'key'    return video, events def uniform_sample(video, interval=30):    """均匀采样：每 interval 帧抽 1 帧，返回 (帧下标, 帧标签) 列表"""    return [(i, video[i]) for i in range(0, len(video), interval)] def evaluate(samples, events):    """评测：精确率 = 采样命中事件的比例；召回率 = 事件被检出的比例"""    hits = 0    for fidx, _ in samples:        for s, e in events:            if s <= fidx < e:                hits += 1                break    precision = hits / len(samples) if samples else 0.0    recalled = 0    for s, e in events:        if any(s <= fidx < e for fidx, _ in samples):            recalled += 1    recall = recalled / len(events) if events else 0.0    if precision + recall == 0:        return precision, recall, 0.0    f1 = 2 * precision * recall / (precision + recall)    return precision, recall, f1 def main():    video, events = build_video()    key_frames = sum(e - s for s, e in events)    print('视频总帧数: %d' % len(video))    print('关键事件帧占比: %.1f%%' % (key_frames * 100.0 / len(video)))    print('信息冗余度 R = 1 - %.3f = %.3f' % (key_frames / len(video), 1 - key_frames / len(video)))    print('---')    for interval in [60, 30, 15]:        samples = uniform_sample(video, interval)        prec, rec, f1 = evaluate(samples, events)        print('均匀采样间隔 %d 帧: 采样 %d 帧, 精确率=%.2f, 召回率=%.2f, F1=%.2f' % (            interval, len(samples), prec, rec, f1)) if __name__ == '__main__':    main()
目的：模拟一段含冗余帧的长视频，对比不同均匀采样间隔下模型检出的精确率、召回率与 F1，直观展示“采样疏密”如何影响长视频评测结果。
  1. video = ['normal'] * total_frames把 600 帧全部初始化成“普通帧”，模拟大量注水内容
  2. events = [(40, 70), (150, 180), (300, 320), (420, 460), (520, 560)]用起止帧对定义 5 个关键事件
  3. for i in range(s, min(e, total_frames)): video[i] = 'key'在时间轴上“埋入”关键事件
  4. return [(i, video[i]) for i in range(0, len(video), interval)]均匀采样：每隔固定帧数抽一帧
  5. precision = hits / len(samples) if samples else 0.0精确率：采样帧里真命中事件的比例
  6. recall = recalled / len(events) if events else 0.0召回率：5 个关键事件被检出的比例
  7. f1 = 2 * precision * recall / (precision + recall)F1 调和平均，综合衡量“准”与“全”
  8. for interval in [60, 30, 15]对比三种采样密度，观察指标如何随“追剧频率”变化

常见误区

误区我本来以为是把短视频模型的抽帧数量翻倍就行，反正帧数够了，理解自然就上去了。结果发现评测分数纹丝不动，甚至更低了。

正解把 20 集剧每集看两遍，不等于会追剧。长视频的核心难点在跨帧的时序推理：模型要建立“第 3 集的伏笔”和“第 50 集的爆发”之间的因果关系。盲目堆帧数只会增加计算量，不会自动带来时序理解能力。评测基准专门设计时序问答任务，就是为了把“看得多”和“看得懂”区分开。

为何常见：短视频评测里抽帧就能八九不离十，让人误以为“帧数 = 理解力”，忽略了长视频特有的跨时域建模难度。

误区我以为只要把模型上下文窗口拉满，把所有帧都塞进去，模型就是无敌的“最强大脑”了。

正解窗口大不等于记得住重点。把整部剧原速看完的人，反而可能被大量注水剧情带偏，抓不住主线。更大窗口意味着更重的计算成本和更严重的信息稀释，评测中还会出现“窗口大了、分数降了”的反直觉现象。长视频评测看的不是“能塞多少”，而是“用有限的记忆答对多少题”。

为何常见：厂商宣传“长上下文”时只强调容量上限，让人误以为容量就是能力的全部。

误区我想均匀抽帧肯定是最公平的，每个时间段都被照顾到，不会偏袒哪一段剧情。

正解均匀采样恰恰会漏掉转瞬即逝的关键事件。类比“每 10 集只瞄一眼”，恰好错过第 8 集 3 秒钟的擦肩而过。评测里关键事件可能只占全片 5% 的帧，均匀采样的命中概率极低。所以基准会考察多种采样策略的对比，甚至引入检索增强来“重点关照”高信息片段。

为何常见：“均匀”听起来随机无偏，直觉上很合理，但忽略了长视频中信息分布极不均匀这一事实。

误区我一直觉得模型评测就是报一个准确率数字，谁高谁就强，其他指标都是花架子。

正解长视频评测必须同时看幻觉率、时序一致性、F1 等指标。一个模型可能选择题蒙对了，但对事件的时序描述完全错乱，或在回答里加入视频中根本不存在的“剧情”——就像剧透党说对结局却编错凶手。只报准确率会掩盖这些致命缺陷，误导模型选型。

为何常见：传统分类任务“准确率至上”的惯性思维，让初学者忽略了生成式模型特有的“答非所问式瞎编”风险。

面试题

Q1. 长视频理解评测中，“长视频”通常指什么量级的视频？

单选题 · easy

  • A.几秒钟的手机竖屏视频
  • B.几分钟到几小时的视频← 正确答案
  • C.只有单张静态图片
  • D.不超过十帧的动图

答案：B。长视频的“长”指分钟到小时量级，考验跨帧时序推理。几秒竖屏、单张图片、十帧动图都属于短视频范畴，无法体现长程依赖与信息冗余的挑战。

Q2. 长视频中“信息冗余”指的是什么？

单选题 · easy

  • A.分辨率过高导致存储变大
  • B.大量无关或重复的普通帧← 正确答案
  • C.模型参数量太大消耗显存
  • D.数据集标注文件重复

答案：B。信息冗余像追剧时的注水戏份，即大量“日常镜头”不承载关键情节。选项 A 是存储问题，C 是算力问题，D 是数据管理问题，均与视频内容本身的冗余无关。

Q3. 时序依赖是指长视频理解中的什么现象？

单选题 · mid

  • A.后段的语义依赖前段的信息← 正确答案
  • B.视频播放速度需要一致
  • C.每帧必须按顺序存储
  • D.模型推理时间前后恒定

答案：A。时序依赖就是“前情提要决定后段剧情”，模型要理解主角为何愤怒，必须先看前面的冲突。B 是播放设置，C 是存储方式，D 是推理性能，都不属于语义理解范畴。

Q4. 均匀采样策略的主要缺陷是什么？

单选题 · mid

  • A.每帧都被重复计算
  • B.采样顺序无法还原
  • C.容易漏掉短暂的关键事件← 正确答案
  • D.只能处理彩色画面

答案：C。关键事件可能只有几秒，均匀采样像“每十集只瞄一眼”，极易错过转瞬即逝的名场面。A 是重复计算问题，B 是排序问题，D 与色彩通道有关，均与采样缺陷不符。

Q5. 长视频理解的核心挑战包括哪些？

多选题 · mid

  • A.时序依赖的建模← 正确答案
  • B.信息冗余的压缩← 正确答案
  • C.关键事件的跨帧检索← 正确答案
  • D.视频文件名的解析

答案：ABC。三大核心挑战是时序依赖、信息冗余、关键事件检索，对应追剧时的“记伏笔、忍注水、找名场面”。文件名解析是工程细节，不属于视频理解的核心难点。

Q6. 上下文窗口在长视频评测中的含义是什么？

单选题 · mid

  • A.模型单次能处理的帧数← 正确答案
  • B.视频播放器窗口大小
  • C.数据集标注的文本长度
  • D.训练时使用的显卡数量

答案：A。上下文窗口决定模型“一次能记多少剧情”，是帧数与标记数的上限。播放器窗口是 UI 概念，标注文本长度是数据概念，显卡数量是算力概念，均与模型记忆容量无关。

Q7. F1 分数在长视频事件定位评测中的作用是什么？

单选题 · single

  • A.只衡量事件预测的正确数量
  • B.精确率与召回率的调和平均← 正确答案
  • C.只衡量预测事件的时间偏移
  • D.模型推理速度的倒数

答案：B。F1 = 2PR/(P+R)，同时惩罚“漏检”和“误检”，是事件定位的核心综合指标。A 只覆盖精确或召回之一，C 是时序误差度量，D 是速度指标，都与 F1 的定义不符。

Q8. 下列哪些属于主流长视频理解基准？

多选题 · hard

  • A.Video-MME 长视频基准← 正确答案
  • B.EgoSchema 视频时序基准← 正确答案
  • C.LongVideoBench 长视频集← 正确答案
  • D.ImageNet 图像分类标准

答案：ABC。Video-MME 覆盖多类型长视频，EgoSchema 聚焦第一视角时序推理，LongVideoBench 主打长上下文问答。ImageNet 是静态图像分类基准，衡量单帧识别，不属于长视频理解。

Q9. 评测长视频模型时，“幻觉率”衡量的是什么？

单选题 · single

  • A.模型答非视频内容的比例← 正确答案
  • B.模型生成视频的帧率
  • C.模型训练时的显存占用
  • D.模型对提示词的长度限制

答案：A。幻觉指模型“编造不存在的情节”，比如把凶手说成视频里没出现的人。B 是生成帧率，C 是显存占用，D 是提示词限制，都与内容真实性无关。

Q10. 一套完整的长视频评测流程包括哪些环节？

多选题 · extreme

  • A.评测数据集的构建← 正确答案
  • B.统一采样与推理执行← 正确答案
  • C.多维指标的结果分析← 正确答案
  • D.视频文件格式的压缩

答案：ABC。完整闭环是数据构建、评测执行、结果分析三环节，保障基准公平、可复现、可诊断。文件格式压缩属于存储工程细节，不属于评测流程的必要环节。