OmniCapBench：用于细粒度音视频字幕的深结构评测框架

OmniCapBench 将音视频字幕评测从自由文本改为原子化、可验证评测单元，覆盖实体引用、视觉镜头和音频事件三条轨道。该基准包含 786 个密集标注视频，可区分时间定位失败、身份漂移、跨模态错位和幻觉描述等 MLLM 感知错误；论文已被 NeurIPS 2026 接收，代码和基准已提供。