MFVSR 发布：3000 视频、16 语言的细粒度视频字幕去除基准
Xiyan Huang · hf · 2026-10-16
MFVSR 是一个面向视频字幕去除任务的大规模多风格基准。数据侧包含 3000 个源视频（真实高质量、真实低质、AI 生成各 1000），并通过受控字幕渲染引擎生成配对监督，覆盖 16 种语言、24 种风格配置（空间/时间/视觉/语言四轴组合）；另含 953 条来自抖音、小红书、B 站、快手、YouTube 的真实场景视频。评测采用盲还原与 mask 引导两种协议，5 个空间视角解耦字幕区与背景，从还原保真度、背景保留、时间一致性三个维度打分，并附 audit300/lite3000、鲁棒性分析与人工校验协议。
「多模态」频道最新
- vLLM 官宣支持 Muse Spark Open：多模态、1M 上下文 — vllm_project · 2026-10-16
- InfoVis 发布:9B 统一模型做 PPT 幻灯片生成与编辑,1300 万数据训练 — Jiahao Wang · 2026-10-16
- RepForcing 用特征空间监督蒸馏视频生成,少步生成质量超越因果 ODE 基线 — zju · 2026-10-16
- SCOPE:按语义片段分配 RL 信用,让提示词改写提升文生图质量 — university-of-rochester · 2026-10-16
- NUS 等发布 Orbia 基准:系统检验视频世界模型的 3D 一致性 — tencent · 2026-10-16
- USC 发布 3DCodeVerse:用可执行代码生成可编辑可验证的 3D 世界，含 2M 数据集 — UniversityofSouthernCalifornia · 2026-10-16