CodeCap-Bench：代码能否成为好的视频描述？

研究提出用可执行代码作为视频内容的补充表示，在问答与视频重建任务上，代码描述比自然语言描述取得更高的推理准确率和重建保真度。为评估多模态大模型能否生成忠实的代码描述，团队构建了 CodeCap-Bench，包含 323 个视频、覆盖五类结构化 2D 内容，并配有细粒度标注和多级评测框架。实验显示领先的闭源 MLLM 已展现一定代码描述能力，但仍难以忠实捕捉复杂时序动态，开源模型明显落后。