MMOU：面向长且复杂现实世界视频的大规模多任务全模态理解与推理基准

多模态大语言模型在单一模态评估中表现优异，但在长复杂视频中联合推理全模态信号的能力尚待探索。本文提出 MMOU 基准，包含 9038 个网络视频和 1.5 万个精心策划的问题，涵盖 13 类需跨模态与时序整合证据的基础技能。通过对 20 多个最先进模型的评估，结果显示现有模型在长视频全模态理解上存在显著差距，最佳闭源模型准确率仅 64.2%。研究揭示了系统性失败模式，为理解当前模型局限提供了深刻见解。