TraceAV-Bench：基准测试长音频视频中的多跳轨迹推理

现实世界的音视频理解需要串联稀疏、时间分散且跨模态的证据，而现有基准未能有效评估此能力。本文提出 TraceAV-Bench，首个联合评估长音视频轨迹多跳推理及多模态幻觉鲁棒性的基准。该数据集包含 578 个长视频（共 339.5 小时）中的 2200 个严格验证的多选题，问题基于平均跨越 15.1 分钟、3.68 跳的显式推理链。对多个 OmniLLM 的评估显示，即使最强模型在该基准上也面临巨大挑战，且多模态幻觉鲁棒性与通用推理性能 largely 解耦。