arXiv new; ECCV 2026; long-video VLM benchmark · P2 · 2026-07-03

LongVQUBench：它和通用视觉自监督的关系在于：不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集

中相关；详见方法、贡献和实验边界。

LongVQUBench: Benchmarking Long-Term Video Quality Understanding of Vision-Language Models　arXiv new; ECCV 2026; long-video VLM benchmark　原文链接

编号2607.01086 优先级P2 类别arXiv new; ECCV 2026; long-video VLM benchmark 会议arXiv new; ECCV 2026; long-video VLM benchmark 方法不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集。中相关；详见方法、贡献和实验边界。

**Figureure 2 · : Left: Distribution of videos across hierarchical evaluation levels a**Fig. 2: Left: Distribution of videos across hierarchical evaluation levels along with the proportion of samples subjected to controlled distortions. Right: Illustration of the controlled distortion pipeline. High-quality videos are first segmented into 15-second clips. Controlled distortions are then applied according to predefined distortion pools and configurations (LQU, CQR, GQU). Finally, distorted clips are merged into fulllength videos to enable distortion-aware question-answer generation.这张图概括 LongVQUBench 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Fig**Fig. S9: Illustration of saturation shift across diferent intensity levels.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 LongVQUBench 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集。

方法拆解

不训练 backbone，但提供长视频质量理解、时间聚合和细粒度视觉证据归因的诊断集

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。