OmniCapBench：面向细粒度音视频描述的分层结构化评估框架
OmniCapBench 将音视频描述评估重构为深度结构化诊断框架，把预测目标从自由文本转为实体引用、视觉镜头和音频事件三类原子化可验证评估单元，并基于 786 段密集标注视频进行确定性约束检查与局部 LLM 语义比较。评测前沿 MLLM 显示其局部感知较强，但长时程音视频推理薄弱，尤其存在身份漂移与跨模态错位问题。
#多模态
Hugging Face Daily PapersAI 评分2222
Google Research精选AI 评分6262 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频。
推荐理由：Google 把长视频生成拆成四个可复用的智能体框架，并给出多镜头一致性的评测基准与量化结果。
Google ResearchAI 评分4949 Google 研究用生成式 UI 让教师创建互动学习模拟
Google Research 公布一项新研究实验，让教师借助生成式 UI（GenUI）创建贴合自身教学目标与课程的自定义互动教育模拟，并已向可信测试教师群体获得初步正面反馈。