MTG-AD内联音频描述数据集与评测框架发布

2026年10月29日，arXiv cs.AI/cs.LG 刊出论文，发布 MTG-AD 内联音频描述数据集与 MTG-AD-Eval 评测框架，用于评估多模态大模型生成视频内联音频描述的能力。据论文介绍，MTG-AD 包含 36 小时视频，单段平均约 5 分钟，配套 8k 条以上描述，这些视频与描述由盲人和明眼音频描述专家配对标注。MTG-AD-Eval 则把模型生成的脚本渲染成音轨，检验生成内容是否落在原视频的静音区间，并依据专家指南给出无需参考文本的细粒度指标。目前该事件仅有这一篇公开报道，尚无后续进展或第三方回应。

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。