多模态模型看完视频记得多少？最高分只有 45.7

多模态模型的视频理解分数年年涨，但有一个能力一直在及格线下：看完一段长视频、聊了几十轮之后，它还记得自己看过什么、说过什么吗？VideoMemBench（arXiv 2610.40131）把这项能力单独拎出来考了考，结果全班最高分只有 45.7%。

它考的是「情境内视频记忆」：在长多轮视频对话中检索并复用先前信息。现有视频问答基准的题目相互独立、单独看视频就能答，测不出这项能力。VideoMemBench 的每道题由一段视频加一长串多轮对话构成，轮次之间埋了两类依赖：情节依赖回指前面轮次描述过的视觉片段，考「记住了看到的」；回答依赖建立在模型自己先前的回答上，考「记住了说过的」。每条依赖都要满足必要性与不泄露两条性质，前者保证不看前文答不出，后者保证题面不复述前文。构造流水线用 planner、generator、judger 三个 LLM 角色协作，每段对话再经人类专家审核。

规模是 326 个视频、2,476 轮对话，其中 1,387 轮带依赖，还包括多父依赖与长程回溯这种高压题。战绩单相当打脸：20 多个开源与闭源模型上场，Claude Opus 5 以 45.7% 的总分排第一。换成人话：模型在长对话里对自己的「观看历史」和「发言历史」都记不牢，越是聊得久丢得越多。

对做视频助手、会议助手、长视频分析的团队，这个基准指出了一个被榜单掩盖的真实缺陷：长上下文窗口大小不等于记忆能力，能否检索并复用几十轮前的视觉与对话细节才是用户体验的分水岭。基准、代码与数据均已开源，拿自己的产品管线跑一遍，大概率比看任何榜单都有体感。