OmniVideoBench

音视频协同理解基准：考 omni MLLM 对声音与画面信息的联合细粒度感知与协同推理，缺任一模态即失分

基本信息

30 秒看懂

准确率口径，题目设计上音视频证据互补，纯视觉或纯音频模型得分会被结构性压低；Seed2.0 页读数 Lite 61.7 / Mini 40.8（同表 Gemini 3.1 Pro 对照 61.4），为厂商自报。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 3 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-09-18 Alibaba / Qwen·国内

Qwen3.8-Omni-Flash

上下文1M模态文本·图像·音频·视频

Qwen 团队发布的新一代原生全模态大模型，支持 1M 上下文，具备从多模态内容理解到主动规划、工具调用与长程音视频创作的 Agentic 交付能力；在 29 项基准中平均较前代提升 25%，并大幅降低音视频 API 成本。

原生全模态1M 上下文音视频 Agent端到端交互

查看模型变体与证据

Agentic Mode 67.8Static Mode 63.4

2026-03-10 ByteDance Seed / 豆包·国内

Seed 2.0-Lite

模态文本·图像·音频·视频

字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。

全模态理解生产级通用GUI 操作智能体

查看模型变体与证据

Visual-Audio Understanding 61.7

2026-02-26 ByteDance Seed / 豆包·国内

Seed 2.0-Mini

模态文本·视频·音频

官方 Seed2 系列页将 Mini 列为该代更小档位（Seed2.0 Mini 0215 快照），本页仅在视频/视听理解评测表收录其数据。已收录 28 项评测集中于长视频、流式视频与视听理解：亮点 Video-MMMU（Video Knowledge）80.6、Video-MME（Long Video）81.2。

小尺寸档位视频理解视听理解

查看模型变体与证据

Visual-Audio Understanding 40.8

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。