SleuthVLM：不听音频只靠语音转写+自主探索，长视频理解反超 Gemini 3.8 Flash
antgroup · hf · 2026-11-05
Bristol、蚂蚁集团与清华团队的 SleuthVLM 论文挑战了全模态模型必须「直接听音频」的假设：
- 该 agent 化 VLM 从不直接听音频：语音转成文字，模型自主「侦查」视频，无预设工作流
- 在 4 个含最长 90 分钟视频的 omni 基准上，平均准确率 75.0%，超 Gemini 3.8 Flash 2.6 个点
- 开源 27B VLM 版本在 Video-MME-v2 榜单以 77.8% 登顶，击败所有开源 omni 模型
- 三点结论：细看胜过一瞥；「听」不是瓶颈；omni 理解需要的是更强 agentic 能力，而非更多模态对齐数据
「模型」频道最新
- 4B 小模型生成可导出 GLB 的 3D 资产，CCORE GLB-3D-Coder 最终版开源 — ConfidentDinner6648 · 2026-11-05
- 开发者让 Opus 包办 Mnemos MCP 发布视频,直呼看完被震撼 — RileyRalmuto · 2026-11-05
- AMD 首日适配 Kimi K3.1 Pro:2.8T 参数、1M 上下文跑通 8 卡 MI355X — Kimi_Moonshot · 2026-11-05
- 用户让 Claude 讲解 OpenBLAS 代码，它顺手发现一个严重 bug — Aizkmusic · 2026-11-05
- 百度开源 ERNIE 5.5 Flash:280B 总参仅激活 14B,支持 1M 上下文 — teortaxesTex · 2026-11-05
- 网友猜 Anthropic 给 Opus 5.5 的「先查证再回答」行为发了奖励 — andrey_kurenkov · 2026-11-05