一句话看懂：Hugging Face Papers 收录的论文提出 VideoMemBench，专门评测多模态大模型在长视频多轮对话中能否记住“看过什么”和“说过什么”。在摘要给出的评测中，20 多个开源与闭源模型里表现最好的 Claude Opus 5 综合得分也只有 45.7%，说明这项能力仍未过关。
事件核心：发生了什么
论文作者指出，现有视频问答基准的题目彼此独立，每道题只看视频就能回答，几乎不考察跨轮对话的信息复用。他们提出的 VideoMemBench 让每个样本包含一段视频和一段长多轮对话，轮次之间通过两类依赖连接：情节依赖指向早先描述的视觉片段，考察模型是否记得看过的内容；答案依赖建立在模型自己之前的回答上，考察模型是否记得说过的内容。每条依赖都要求“必要性”和“非泄漏”两项验证，并通过规划、生成、判定三个 LLM 角色构建流程，每段对话还经过人工审核。
数据显示，该基准包含 326 个视频、2,476 个对话轮次，其中 1,387 个轮次依赖更早的轮次，并包含多父依赖和远距离回调。对 20 多个开源和闭源多模态大模型的评测中，Claude Opus 5 综合得分最高，但也仅为 45.7%。论文摘要称数据集与评测已发布，不过目前公开素材仅覆盖摘要层面，全文实验细节尚待核验。
为什么重要
过去评测视频大模型，主要看单题问答准确率；而真实的 AI 应用更接近“边看长视频边追问”的会话形态。若模型无法跨轮检索和复用信息，长上下文就只是名义上的容量，用户需要反复交代背景，多轮对话的产品体验也会明显受损。这项基准把“上下文视频记忆”单独拆出来评测，为模型训练和推理策略提供了更贴近使用场景的标尺。
对用户/开发者/创作者的影响
普通用户在处理长视频会议记录、课程回放或影视内容时，会更容易判断某个模型是否真的“记得前面说过的话”。开发者如果基于多模态 API 构建视频问答应用，需要在提示词之外考虑记忆机制，例如显式维护对话摘要或检索历史回答，而不是默认大模型能自动保持跨轮一致性。创作者用 AI 辅助整理长视频素材时，也应对模型的远距离回调能力保持谨慎预期。
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 VideoMemBench 是否被更多团队用于模型选型，以及后续模型得分能否明显提升；二是评测是否覆盖更多视频长度和对话轮数场景；三是开源社区是否会基于该基准改进训练数据与推理框架，让“长视频+多轮对话”从演示功能走向稳定可用的 AI 应用能力。
