DataVista 发布：首个数据视频理解基准，Gemini-3.1-Pro 准确率 70%

一句话看懂：港科大团队推出首个面向“数据视频”的多模态理解基准 DataVista，含 961 条真实视频与 6775 道题；测试 19 个主流多模态大模型，最好成绩仅 70.0%，远低于人类专家。

事件核心：发生了什么

原始来源发布时间为 2026 年 10 月 8 日，论文摘要介绍了 DataVista 这一新基准。它针对的是“数据视频”——把动态图表与视频叙事结合起来的媒体形式，常见于新闻报道和商业分析。与通用视频理解或静态图表问答不同，这类内容要求模型从动画图表中准确读数、跨图表和时间整合证据，并理解叙事结构与视觉设计如何传递信息。

DataVista 包含 961 条真实数据视频和 6775 道评测题，按三层递进能力框架组织：数据感知、时序推理、叙事理解，细分出 10 类题型，覆盖 5 个主题领域。目前公开信息显示，团队对 19 个主流多模态大模型做了系统评测。表现最好的 Gemini-3.1-Pro 总体准确率为 70.0%，仍明显低于人类专家水平；模型在因果推理和叙事结构两类任务上表现最弱。增加抽帧数量、补充字幕，主要改善数据感知和时序推理，对叙事理解提升有限。摘要还提到典型失败模式集中在图表阅读、证据判断和指令理解。

为什么重要

此前评测大多分成两条线：通用视频理解，或静态图表问答。数据视频恰好卡在中间，既需要视觉读数，也需要跨帧推理和叙事判断，长期缺少系统评测。DataVista 的价值在于把这一空白变成一个可量化的能力坐标系，让模型之间的差异不再停留在“看起来能读图”的定性判断上。

对行业来说，70.0% 这个数字说明当前多模态大模型在数据视频场景仍有明显短板，尤其在因果推理和叙事结构上。它也会影响后续训练与推理优化的方向：单纯堆帧数、加字幕并不足以解决高层理解问题。

对用户/开发者/创作者的影响

对开发者，这个基准提供了一个相对明确的评测入口，后续可用于对比不同多模态大模型在数据视频任务上的表现，也可以据此判断是否需要引入专门的图表理解或时序推理模块。对内容创作者和数据分析从业者，它提示当前 AI 在自动解读动态图表、生成数据视频摘要时仍不可完全信赖，人工复核依然必要。对企业采购而言，如果业务涉及新闻视频、财报动画或商业分析内容，选型时不应只看通用多模态评测分数，而应关注数据视频这类细分场景的实际表现。