正在加载页面内容
MLVU (M-Avg)多模态
MLVU (Multi-modal Long Video Understanding) 是多模态长视频理解基准，评测模型在长时间视频上的理解能力。包含情节推理、时序问答和跨镜头多模态融合等任务。视频长度从几分钟到数小时不等，测试视频模型的长期上下文建模能力。
| # | 模型 | 得分 (%) | 厂商 | 来源 | |
|---|---|---|---|---|---|
| 1 | 87.4 | 阿里巴巴 | Qwen3.7-Plus 技术报告 | ||
| 2 | 86.7 | 阿里巴巴 | Qwen3.7-Plus 技术报告 | ||
| 3 | 86.7 | 阿里巴巴 | Qwen3.6-Plus 技术报告 | ||
| 4 | 86.2 | 阿里巴巴 | Qwen3.6-35B-A3B 技术报告 | ||
| 5 | 85.6 | 阿里巴巴 | Qwen3.6-35B-A3B 技术报告 | ||
| 6 | 85.6 | OpenAI | Qwen3.6-Plus 技术报告 | ||
| 7 | 85 | 月之暗面 | Qwen3.6-Plus 技术报告 | ||
| 8 | 84.7 | Qwen3.7-Plus 技术报告 | |||
| 9 | 83 | Qwen3.6-Plus 技术报告 | |||
| 10 | 81.7 | Anthropic | Qwen3.7-Plus 技术报告 |
