TennisTV：多模态大语言模型是否理解网球回合？
计算机视觉与模式识别
2026-04-17 v5
摘要
多模态大语言模型（MLLMs）在通用视频理解方面表现出色，但在面对网球等快速高频率的运动时却感到困难，因为回合片段短暂却信息密集。为系统评估 MLLMs 在这一具备挑战性的领域中的表现，我们提出了 TennisTV——第一个也是最全面的网球视频理解基准。TennisTV 将每个回合建模为时间顺序的连续击球事件序列，采用自动化管道进行筛选和问题生成。它覆盖从球员技术层面到回合层面的 8 项任务，并包括 2527 个人工验证的问题。我们评估了 17 个具有代表性的 MLLMs，首次系统地评估了网球视频理解。结果得出两个关键洞察：（1）帧抽样密度应针对各任务进行平衡调节；（2）提高时序定位对于更强的推理至关重要。
引用
@article{arxiv.2509.15602,
title = {TennisTV: Do Multimodal Large Language Models Understand Tennis Rallies?},
author = {Zhongyuan Bao and Lejun Zhang},
journal= {arXiv preprint arXiv:2509.15602},
year = {2026}
}