EgoOmniWorld 第一人称视频理解基准发布

Songruo Chen 等作者提出并发布第一人称视频理解基准 EgoOmniWorld。该基准围绕自我-动作-世界交互闭环构建，按 Node、Edge、Chain、Loop 四种交互结构组织，共含 24,166 个 QA 组，其中训练样本 20,284 个、测试样本 3,882 个。 作者称，其数据流程从第一人称视频中抽取结构化交互，并基于视觉和听觉证据生成问题。数据、代码和模型将发布。 目前公开信息仅为基准与数据集的构建和发布，尚无实验结果或评测表现可供比较。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。