1.提出问题？
但现有基准最多测到 10 分钟左右（LongVideoBench 473s、Video-MME 1018s），没有能测 "小时级" 视频的基准。原因很现实：长视频数据收集难、标注复杂度极高。
现实世界要 "看懂几小时"，评测却只考 "几分钟"——LVBench 要把评测推过这个坎。
2.怎么做的？
①提出六大核心时间理解能力框架（TG/Sum/Rea/ER/EU/KIR），可组合出复合任务；②构建平均 4,101 秒的极端长视频数据集（103 视频 / 117 小时 / 6 类内容，五重质量过滤）；③三阶段专家标注 + 双 LLM 纯文本过滤 + 线索时长标注，保证 1,549 题 "必须密集看视频才能答"
3.成果
①发布当时最长的视频基准，把长视频评测推到小时级；②全面评测 26 个模型：Gemini-2.5-Pro 最强（67.4%），但距人类（94.4%）差 27 分；③揭示三大问题：开源落后商业超 20 分、长视频原生模型存在指令遵循缺陷（20.9% 乱答、选 A 偏见）、帧数消融证明密集视觉输入是长视频理解的刚需
4.启发
这是一个小时级评测集，可以用来测试模型长上下文能力，也可以测试压缩token后的准确率。此外，这个评测集还分了六大类问题，可以分别测试模型的不同的能力。