SOMA：面向第一视角细粒度行为与身体运动理解的基准

SOMA 是一个从第一视角视频评估细粒度身体运动理解的基准，包含 1,632 个人工核验问题，覆盖身体构型、运动动力学和时间推理三个维度。研究评测了 37 个闭源、开源及专用第一视角 MLLM，人类仅凭视频的准确率为 68.5%，而最强模型 Qwen3.6-27B 零样本准确率仅 50.0%。错误分析显示 MLLM 常误读佩戴者自身身体、错判事件时序，并存在偏好右手、漏计重复次数等偏差。