一句话看懂：OmniCompass 是一个面向全模态视频理解的新基准，同时考察视觉语言与音视频联合模型在时间定位、空间定位和问答上的能力，并首次把“同一目标用文字和图文两种方式指定”作为配对评测条件。
事件核心：发生了什么
根据 Hugging Face Papers 收录的论文摘要，研究团队在 2026 年 10 月提出 OmniCompass 基准，用于评测多模态大模型（MLLMs）的视频理解能力。它分为两条评测轨道：OmniCompass-VL 面向视觉语言模型，要求模型依赖视觉证据；OmniCompass-AV 面向全模态模型，要求同时依赖音频和视觉证据。每条轨道都包含三类任务：时间定位（TG）、空间定位（SG）和问答（QA），分别回答目标何时出现、在哪里、发生了什么。
数据规模上，OmniCompass-VL 覆盖 820 个视频、2460 个实例，按短、中、长三种时长划分；其中叙事和音频丰富的子集构成 OmniCompass-AV，包含 240 个视频、720 个实例。每个实例都在纯文本和文本+图像两种配对设置下评测，所有样本经过人工多轮质量校验。摘要称，对 50 个 MLLM 的评测显示，开源模型整体仍落后于闭源模型，尤其在音视频理解上；即使领先模型，精确的时间与空间定位依然困难，且模型在两种目标指定方式下的预测存在不一致。
为什么重要
现有视频理解基准往往只覆盖部分评测维度，难以系统诊断全模态能力。OmniCompass 把“看、听、定位、推理”拆成可比较的任务，并引入配对目标指定，能更细地暴露模型是真正理解视频，还是依赖文本线索猜测。对当前多模态大模型竞争来说，这意味着评测重点正从单帧图像问答，转向长视频、音频联合和时空定位等更难的方向。不过，目前公开信息仅为论文摘要，尚未显示该基准已被同行评审或成为行业标准。
对用户/开发者/创作者的影响
对开发者和研究者，这个基准提供了一套可复用的评测维度，适合在训练或选型视频理解模型时参考，尤其是涉及音视频联合推理的应用。对内容创作者和企业采购者，它提示了一个现实：能生成或描述视频的模型，不一定能准确定位某句话、某个声音或某个物体出现的位置；在剪辑、检索、无障碍字幕等场景落地前，需要针对时空定位单独验证。开源模型与闭源模型在音视频理解上的差距，也可能影响推理成本和部署方案的选择。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 OmniCompass 是否会公开完整榜单和评测代码，让结果可复现；二是后续模型是否会在时间/空间定位和音视频联合任务上明显提升；三是它会不会被更多模型团队纳入常规评测，从而影响视频理解模型的技术路线和产品宣传口径。
