VideoMemBench 揭示 MLLM 跨轮视频记忆能力存在明显短板

Zhengdong Hu · hf · 2026-11-05

VideoMemBench 是一个评测多模态大模型「视频内记忆」能力的新基准：单视频配长多轮对话，其中部分问题依赖早前轮次——Episodic Dependency 考察模型是否记得看过的画面，Answer Dependency 考察模型是否记得自己说过的内容。每个依赖项都验证「必要性」（离开前文无法作答）与「无泄漏」（问题不复述前文信息），构建流程用规划/生成/裁判三种 LLM 角色并由人工专家审核。基准含 326 个视频、2476 个对话轮次，其中 1387 轮依赖前文。测试显示各模型在这类跨轮记忆任务上表现差距明显，现有视频 QA 基准从未考察过这一能力。