EgoOmniWorld第一视角理解基准发布

2026年10月15日，arXiv Artificial Intelligence 刊出 Songruo Chen 等人的研究，提出并发布 EgoOmniWorld 第一视角视频理解基准。该基准以“自我-动作-世界”交互循环为统一原则，围绕 Node、Edge、Chain、Loop 四种交互结构组织任务，并采用以交互为先、以证据为基础的数据流水线，从第一视角视频中抽取结构化交互，将其锚定在视觉与听觉证据上，再按交互结构生成问题。报道称，EgoOmniWorld 包含 24,166 个 QA 组，其中训练样本 20,284 个、测试样本 3,882 个。实验显示，开源与闭源多模态大模型在各交互结构上的表现差异明显；基于该基准训练的模型可提升域内理解，并泛化到现有第一视角基准。报道还称，数据、代码与模型将会发布。截至该报道，尚无后续进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。