说实话，长视频摘要这事儿一直挺烦人。模型能认出画面里的狗，但搞不清狗是在第5分钟追球还是在第15分钟睡觉。尤其是视频一拉到十几分钟，生成的摘要经常把前后事件顺序搞反，或者干脆忽略时间关键信息。这背后的病因很清楚：现有MLLM的训练目标根本没把时间推理当回事，模型更依赖单帧的视觉特征，而不是理解整个叙事的时间线。LVSum这个基准就是来给这个毛病拍片的。

作者搞了72个平均16分钟的视频，覆盖13个领域，每个视频让人类标注了最多10个带时间戳的摘要。然后用主流闭源和开源MLLM去跑，拿新设计的LLM打分指标（内容相关性、模态一致性）加上传统指标一起比较。结果三个硬核发现：第一，转录文本对摘要质量的贡献碾压视觉帧——模型基本就是靠字幕在做总结；第二，模型生成的和人类写的摘要之间差着一个量级；第三，模型在时间定位、指令遵循和跨模态对齐上存在系统性的短板。说白了，当前模型做长视频摘要，靠的不是理解，而是听写。

这个工作最直接的启发是：别对纯视觉信号抱幻想了，转录文本才是当前模型唯一靠谱的锚点。但更深的信号是，MLLM在时间推理上几乎还是盲人摸象——它们能答对“有什么”，但答不对“什么时候”。未来的方向要么把时间定位直接塞进训练目标，要么像人类一样利用外部知识（比如脚本、字幕）辅助理解。对做视频AI的同行来说，LVSum提供了一个非常锋利的标尺：你能跑通30秒的短视频摘要，不代表你能搞定16分钟的长叙事结构。想验证模型是真理解还是假理解，拿这个基准跑一跑就知道了。