SLVMBench：基于视频记忆的技能学习

本文提出 SLVMBench，这是首个联合评估视频大语言模型（Video-LLMs）能否从长时视频记忆中学习技能并将其应用于实时任务的基准测试。该基准提供包含嵌入教程的 2-3 小时视频流，模拟人类真实学习场景，要求模型提取程序性知识并回答实时问题。与侧重被动理解或短演示的现有基准不同，SLVMBench 测试了从记忆提取到技能迁移的全流程。评估结果显示，当前主流模型在从长上下文视频中学习和应用技能方面表现欠佳，揭示了现有技术的關鍵局限。