论文提出用可执行代码作视频描述，并发布 CodeCap-Bench 评测基准。
资讯摘要
论文探索以可执行程序作为视频描述的“Code as Video Caption”范式，用图形基元、布局规则和时间函数表达视觉内容。作者报告，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代码描述，论文提出 CodeCap-Bench，包含 323 个视频、五类结构化 2D 内容及多级评测框架；实验显示领先闭源模型表现较好，但仍难忠实刻画复杂时间动态，开源模型明显落后。
要点速读
- 论文提出 CodeCap-Bench，含 323 个视频、五类结构化 2D 内容、细粒度标注与多级评测框架。
- 作者报告代码描述在问答推理准确率和视频重建保真度上优于自然语言描述。
- 实验显示领先闭源多模态大模型仍难忠实捕捉复杂时间动态，开源模型明显落后。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:20（北京时间）。