竞赛挑战
汇聚全球顶级多模态算法竞赛，提供真实场景数据，赢取丰厚奖金与学术荣誉。
2026 SLoMO-AD：电影音频描述生成竞赛
本赛事要求参赛者根据电影及对白间隙的目标时间段生成简洁、选择性强且前后连贯的音频描述，服务盲人及低视力观众，重点考察长时上下文理解、角色识别与电影叙事能力。比赛使用 CMD-AD 与 SF20K，设置开放组和每词元激活参数少于 100 亿的轻量组；最终以 ADQA 与 CIDEr 加权得分排名，并通过时长检查保证描述适配对白空隙。
Perception Test 2026挑战赛：KilometerVision
本任务面向最长10分钟、约1公里的步行游览视频，要求模型结合视频内容、文本问题及文本或图像选项，回答距离估计、指南针朝向、地图路径理解和地标识别等空间推理问题。比赛设置标准视频问答、图像答案选项和题干含图像三种配置，基于Walking_Tours数据集开展验证与测试，以Top-1准确率评估；模型规模不限，优胜者纳入总额2万欧元奖金评选。
Perception Test 2026挑战赛：KilometerAudio
本任务面向1至3小时的长视频，要求模型联合处理画面、音轨和文本问题，完成声音识别、语音理解以及音频事件与视觉内容关联等多跳推理，并从五个候选答案中选择正确项，重点考察模型在超长时序场景中的跨模态信息定位与综合理解能力。比赛基于Walking_Tours数据集，包含225段公开视频；验证与测试阶段均以Top-1准确率评估，模型规模不限，优胜者参与总额2万欧元奖金评选。
Perception Test 2026挑战赛：Grounded VideoQA
本任务要求模型根据视频与文本问题，在整段视频中持续跟踪能够回答问题的目标对象，并输出其时序定位结果。比赛采用Perception Test中带有Grounded VideoQA标注的高分辨率视频，数据包含RGB画面与音频，视频最长35秒、30帧每秒、最高1080p；训练、验证和测试集分别含586、1545和932段视频。验证与测试均以HOTA指标评估，模型规模不限，优胜者参与总额2万欧元奖金评选。