论文
感知测试 2026：城市规模视听推理的挑战总结和扩展
Perception Test 2026: Challenge Summary and Extension to City-scale Audio-Visual Reasoning
摘要
继续感知测试挑战系列，我们在瑞典马尔默举行的 2026 年欧洲计算机视觉会议 (ECCV) 上组织了第四届研讨会，作为研讨会。该版本专注于空间智能，并具有四个不同的轨道：统一的多项选择视频QA和来自原始感知测试基准的扎根视频QA，以及两个基于城市规模步行游览视频的新轨道（KilometerAudio和KilometerVision）。在本报告中，我们描述了用于城市规模赛道的新基准，并总结了所有赛道的获胜解决方案，包括在所有赛道上均表现令人满意的通才模型。新添加的城市规模轨道中的获胜解决方案表明，复杂的空间和多模态推理可以通过昂贵的 agentic 管道来解决，但对于独立使用的多模态模型仍然很困难。