Perception Test 2026：挑战赛总结与城市尺度视听推理扩展

Perception Test 系列第四版作为 ECCV 2026 在瑞典 Malmö 举办的 workshop 举行，主题聚焦空间智能，共设四条赛道：两条沿用原基准的统一多选 videoQA 与 grounded videoQA，另两条基于城市尺度的步行游览视频，名为 KilometerAudio 与 KilometerVision。报告介绍了新增城市尺度基准，并汇总各赛道获胜方案，其中包括一个跨全部赛道参赛且表现令人满意的通用模型。

相较此前版本，本届新增了两条基于城市尺度步行游览视频的赛道，把评测从原有视频问答扩展到 KilometerAudio 与 KilometerVision 这类更长、更贴近真实场景的视听推理任务，并首次在总结中对比通用模型与专用方案的差距。

证据显示，新增城市尺度赛道上的获胜方案依赖成本较高的 agentic pipeline 才解决复杂空间与多模态推理，而单独使用的多模态模型仍难以应对，说明当前模型在长时程、跨模态空间任务上存在能力缺口，需靠外部分步流程弥补。

若产品需要处理城市尺度或长时程视听理解，直接调用单模型可能不足，需评估引入分步 agent 流程带来的成本与工程复杂度；对研发而言，评测重点可能从单模型能力转向 pipeline 编排能力。

• 在长视频与城市尺度视听场景中，评估以 agentic pipeline 封装多模态模型的方案，并测算推理成本与准确率权衡
• 围绕 KilometerVision、KilometerAudio 类基准构建内部评测集，提前验证自身模型在空间推理任务上的短板

• winning solutions 的具体方法与技术细节尚未在证据中给出
• 通用模型跨全部赛道的具体成绩数据未披露
• KilometerAudio 与 KilometerVision 两个基准的规模与评测指标未说明
• agentic pipeline 的成本量级未被量化