# 长视频问答

该工作提出 PlaylistEval 这一无需人工标注的智能体式基准构建框架，在七个领域各约 100 小时的播放列表上自动生成证据分散于两段远距离片段、且错误答案仅在画面层面可区分的偏好对，得到含 630 对样本的 PlaylistBench；在 152 对分层子集上其偏好与人类判断一致率为 93.0%（IAA 0.781），而评测 8 个家族共 17 个全模态与多模态模型时，前沿裁判的成对准确率仅 75.4%，开源裁判模型明显落后，检索可将准确率提升最多 10.5 个百分点但最佳检索器仅在 37.9% 的情况下把两段相关片段同时排进前 10，且裁判准确率随播放列表规模从约 1 小时增至 100 小时而持续下降。

该工作提出 PlaylistEval 这一无需人工标注的智能体式基准构建框架，在七个领域各约 100 小时的播放列表上自动生成证据分散于两段远距离片段、且错误答案仅在画面层面可区分的偏好对，得到含 630 对样本的 PlaylistBench；在 152 对分层子集上其偏好与人类判断一致率为 93.0%（IAA 0.781），而评测 8 个家族共 17 个全模态与多模态模型时，前沿裁判的成对准确率仅 75.4%，开源裁判模型明显落后，检索可将准确率提升最多 10.5 个百分点但最佳检索器仅在 37.9% 的情况下把两段相关片段同时排进前 10，且裁判准确率随播放列表规模从约 1 小时增至 100 小时而持续下降。

该工作提出 Grounded Entity Biographies（GEB）长视频记忆框架，把跨片段中同一物理实例的视觉落地观察归组成可检索的“传记”，并在问答时把传记与情节证据一起检索；在四个基准（含日长与周长录像）上，多选与开放式问答均优于既有记忆框架，EgoLifeQA 达到 72.0% 准确率，比最强已发表结果高 4.4 个百分点，消融显示落地身份关联与传记阅读各自都有贡献，而仅增加描述无法完全复现这些增益。

该工作提出 Grounded Entity Biographies（GEB）长视频记忆框架，把跨片段中同一物理实例的视觉落地观察归组成可检索的“传记”，并在问答时把传记与情节证据一起检索；在四个基准（含日长与周长录像）上，多选与开放式问答均优于既有记忆框架，EgoLifeQA 达到 72.0% 准确率，比最强已发表结果高 4.4 个百分点，消融显示落地身份关联与传记阅读各自都有贡献，而仅增加描述无法完全复现这些增益。