顶刊TPAMI｜多模态视频理解领域重磅数据更新：MeViSv2发布

由复旦大学等三所高校联合推出的 MeViSv2 数据集正式发布并获 IEEE TPAMI 2025 录用，包含 2,006 个视频、33,072 条文本/音频表达及超过 15 万秒语音数据，全面支持 RVOS、AVOS、RMOT 与 RMEG 四大任务。该数据集引入“运动推理”与“无目标语句”机制，挑战模型的逻辑推理与鲁棒性。实验表明，基于大语言模型的新基线 LMPM++ 在多项指标上刷新 SOTA，其中 N-acc. 达 45.7%，HOTA* 提升至 38.1%，凸显其处理复杂时序与多模态信息的能力，同时揭示当前 AI 在精准指代与因果理解上的局限，为多模态视频理解提供重要研究方向。
来源：https://mp.weixin.qq.com/s/VGMzhEm9uQaiJpDJW3z2Eg