BoxComm：体育评论生成与拳击节奏感的基准测试
计算机视觉与模式识别
2026-04-07 v1
摘要
最近的多模态大语言模型在通用视频理解方面展现出强大的能力，推动了自动体育评论生成领域的关注增长。然而，现有针对该任务的基准测试仅聚焦于球队运动，如足球和篮球，完全未涉足格斗类运动。值得注意的是，格斗类运动具有独特的挑战：关键动作在毫秒级内完成，视觉上虽细微却语义上决定性强；而专业解说包含了远超球队运动的战术分析比例。本文提出BoxComm，一个由445场世界拳击锦标赛赛事视频组成的大规模数据集，包含来自专业转播的52K余句评论。我们构建了评论分类框架，将每句评论划分为战术、战术或情境三类，首次实现了体育评论基准测试的类别级标注。基于此框架，我们引入两种新型且互补的评估方法：(1) 类别条件生成，评估模型在给定视频语境下是否能生成指定类型的准确评论；(2) 评论节奏评估，衡量自由生成的评论在连续视频片段中是否呈现恰当的时序节奏和类型分布，捕捉到此前基准测试未涉及的评论能力维度。多项最新SOTA MLLM实验表明，当前模型在两项评估中均表现不足。我们进一步提出EIC-Gen，一种改进基线方法，通过检测拳击事件提供结构化动作线索，取得持续性提升，凸显了在格斗类运动评论生成中捕捉瞬时细微事件的重要性。
引用
@article{arxiv.2604.04419,
title = {BoxComm: Benchmarking Category-Aware Commentary Generation and Narration Rhythm in Boxing},
author = {Kaiwen Wang and Kaili Zheng and Rongrong Deng and Yiming Shi and Chenyi Guo and Ji Wu},
journal= {arXiv preprint arXiv:2604.04419},
year = {2026}
}