一句话看懂：Hugging Face Papers 上出现了一篇题为 EvaOmni 的论文摘要，提出一个要求模型同时回答问题和标注音视频证据区间的评测基准，用来检验多模态推理是否真有证据链，而非靠选项或文字线索猜答案。
事件核心：发生了什么
根据论文摘要（原始发布时间为 2026 年 10 月 20 日），EvaOmni 包含 392 段视频和 1,027 个完全由人工标注的问答对，覆盖检索与定位、基础理解、复杂推理三个层级，共 15 项能力。它的关键变化在于评分方式：模型不仅要给答案，还要返回支撑答案的音频和视觉证据时间区间，并据此计算 Coverage Grounded Score 和 Bottleneck Grounded Score，与答案正确率结合。摘要称，在 7 个开源和 17 个闭源 Omni 大模型上，Gemini3.7-Flash 综合准确率最高（79.4%），但在最难层级 B.G. 仅 12.3%。需要说明，以上均来自摘要，全文实验尚未核验。
为什么重要
现有音视频推理基准多依赖选择题、只看答案对错，模型可能借助文本先验或单模态捷径答对，评测可靠性因此被削弱。EvaOmni 把“证据定位”纳入打分，实质上是在追问：多模态大模型的推理链是否可核查。对行业而言，这意味着 Omni 模型的竞争可能从“答得对”转向“说得清依据”，也为开发者比较开源与闭源模型提供更细的评测维度。
对用户/开发者/创作者的影响
对开发者，这类基准可能影响模型选型和微调方向：若产品需要在视频中定位关键画面或声音片段，仅有高准确率不够，时间定位能力同样关键。对内容创作者和普通用户，评测若被广泛采用，未来 AI 应用在回答视频类问题时可能更多附带“依据片段”，便于人工复核。不过目前公开信息显示，这只是论文层面的基准，尚未看到配套工具、排行榜或 API 落地。
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
一是论文全文是否公开完整的标注流程和基线细节；二是该基准是否会被社区采纳为公开排行榜，并持续更新模型成绩；三是各 Omni 模型厂商是否针对证据定位能力做专门优化。上述成绩仅对应摘要所述任务与评测条件，不宜视为永久排名。
