Perception Test 2026：挑战总结及向城市级视听推理的扩展

arXiv:2610.12081v1 发布类型：cross 摘要：延续 Perception Test 挑战系列，我们在瑞典 Malm\"o 举办的 2026 年欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）上以研讨会形式组织了第四届挑战赛。本届赛事聚焦空间智能，设有四个不同赛道：源自 Perception Test 基准的统一多选题视频问答和基于视频的定位问答，以及基于城市规模步行导览视频的两个新赛道（KilometerAudio 和 KilometerVision）。本文介绍了城市规模赛道所采用的新基准，并总结了所有赛道的获胜方案，其中包括一个在所有赛道中参赛且表现令人满意的通用模型。新增城市规模赛道的获胜方案表明，复杂的空间推理和多模态推理可以通过高成本的智能体流水线来解决，但对于单独使用的多模态模型而言，这仍然很困难。