#视频问答

CapMem：第一视角视频字幕情景记忆基准

研究提出CapMem，一个面向第一视角视频情景记忆的人类标注基准，包含75个视频共33.7小时和1000道多选题。在超过20分钟的长视频上，全覆盖字幕问答在多数模型上优于直接视频问答，字幕引导的检索验证框架进一步将准确率提升最多5.3个百分点。结果表明字幕记忆对长时第一视角视频的情景推理有效。