LoVR 长视频检索基准获 WWW 2026 录用:覆盖全视频与片段级检索
北京大学与 OceanBase 联合提出的长视频多模态检索基准 LoVR 被 WWW 2026 录用。该基准包含 467 个真实长视频、40,804 个精细片段,支持全视频与片段级两种粒度的检索评测。
海宇数科 · 事件日期 · 更新于 · 约 5 分钟 · 1 次阅读

长视频多模态检索的评测空白迎来新进展。由北京大学与 OceanBase 联合提出的长视频检索基准 LoVR(Long Video Retrieval)已确认被国际会议 WWW 2026(The Web Conference)录用。该成果面向真实长视频场景,提供覆盖多个粒度的检索评测能力。
过去常见的视频检索评测多建立在以短视频为对象的数据集上,难以覆盖长视频中跨度较大的语义关系。LoVR 针对这一差距设计了评测框架,从检索粒度、标注方式与场景真实性三方面回应长视频检索的难点。 在粒度层面,LoVR 同时设置了整段视频层面的宏观检索任务与片段层面的精细定位任务,使“检索整部影片”和“定位某个瞬间”两类需求都能被纳入同一评测体系。 在标注层面,LoVR 配套了一条自动化标注流程:先由视觉语言模型(VLM)生成初始描述,再经自动质量评分和动态修正迭代,从而以较低成本扩充多模态数据规模。 在场景层面,LoVR 将长视频中语义随叙事推进发生偏移、单位时间内信息密度高等真实特征纳入评测建模,而不是仅以理想化片段作为测试对象。 从数据规模看,LoVR 建立在真实长视频之上。数据集中共收录 467 个长视频,平均时长超过 25 分钟,并由此切分出 40,804 个精细片段。 每个片段都配有文本描述(Captions),这些描述经过人工与机器两重验证。对长视频检索研究而言,这一规模为训练与评测提供了可直接使用的基础数据。 在技术处理上,LoVR 采用语义融合方法生成全视频摘要,目的是避免在压缩过程中丢失关键上下文,从而让长程语义建模有一致的评测平台。 LoVR 由北京大学与 OceanBase 校企联合研究产出。对 OceanBase 而言,这一方向意味着其技术布局从存储与计算延伸至向量检索与多模态理解的交叉领域。 在流媒体、在线教育等长视频内容持续增长的背景下,LoVR 所提供的多粒度检索评测标准,可作为视频搜索、AI 剪辑等应用评估自身能力的一项参照。
核心突破:解决长视频检索的“三座大山”
过去常见的视频检索评测多建立在以短视频为对象的数据集上,难以覆盖长视频中跨度较大的语义关系。LoVR 针对这一差距设计了评测框架,从检索粒度、标注方式与场景真实性三方面回应长视频检索的难点。
在粒度层面,LoVR 同时设置了整段视频层面的宏观检索任务与片段层面的精细定位任务,使“检索整部影片”和“定位某个瞬间”两类需求都能被纳入同一评测体系。
在标注层面,LoVR 配套了一条自动化标注流程:先由视觉语言模型(VLM)生成初始描述,再经自动质量评分和动态修正迭代,从而以较低成本扩充多模态数据规模。
在场景层面,LoVR 将长视频中语义随叙事推进发生偏移、单位时间内信息密度高等真实特征纳入评测建模,而不是仅以理想化片段作为测试对象。
技术规格:40,000+ 精细片段的支撑
从数据规模看,LoVR 建立在真实长视频之上。数据集中共收录 467 个长视频,平均时长超过 25 分钟,并由此切分出 40,804 个精细片段。
每个片段都配有文本描述(Captions),这些描述经过人工与机器两重验证。对长视频检索研究而言,这一规模为训练与评测提供了可直接使用的基础数据。
在技术处理上,LoVR 采用语义融合方法生成全视频摘要,目的是避免在压缩过程中丢失关键上下文,从而让长程语义建模有一致的评测平台。
上述数据与处理方法共同构成了 LoVR 的评测基础,其公开信息以录用相关披露为准,未提及的指标不在本文范围内。
行业观察:校企联研助推 AGI 落地
LoVR 由北京大学与 OceanBase 校企联合研究产出。对 OceanBase 而言,这一方向意味着其技术布局从存储与计算延伸至向量检索与多模态理解的交叉领域。 在流媒体、在线教育等长视频内容持续增长的背景下,LoVR 所提供的多粒度检索评测标准,可作为视频搜索、AI 剪辑等应用评估自身能力的一项参照。
