VideoOdyssey は、超長文脈および全モーダル動画理解のために設計されたベンチマークである。本論文は arXiv:2605.22907 として 2026 年 5 月 21 日に投稿され、Haichen He 氏を含む計 6 名の著者による成果で、コンピュータビジョンとパターン認識（cs.CV）に分類されている。研究では、実世界の長動画理解には、極めて長い時間スパンにわたる継続的な追跡、情報統合、記憶保持が必要であり、この高い認知負荷を扱えるかどうかが長動画理解の根本的なボトルネックであると指摘している。
既存のベンチマークは動画の長時間化によって進展を促してきたものの、その評価タスクは短く孤立した映像断片の理解にとどまる場合が多く、超長文脈推論の難しさを捉えきれていない。この認知負荷を測定するため、著者らは「連続証明長（continuous certificate length）」という指標を重視している。これは、ある質問に確定的に答えるために人間が連続して視聴しなければならない動画の長さとして定義される。
この指標に基づき構築された VideoOdyssey には三つの特徴がある。第一に、極端な動画長と多様性であり、11 の領域と 54 のサブカテゴリを網羅し、平均動画長は 109 分に達する。第二に、包括的な評価シナリオであり、異なる研究目的に対応する二つのサブセットを提供する。VideoOdyssey-V はマルチモーダル大規模言語モデル（MLLM）の視覚理解の限界を探るためのもの、VideoOdyssey-AV は全モーダルモデルにおける同期した音声・視覚理解を評価するためのものである。第三に、超長かつ多層的な連続証明であり、平均連続証明長は VideoOdyssey-V で 16 分、VideoOdyssey-AV で 12.8 分に延びている。
さらに重要な点として、著者らは秒から時間に至る 5 段階の粒度レベルを設計しており、異なる文脈長と認知負荷の下でモデルを評価できる包括的な診断ツールとなっている。大規模な評価の結果、現在の MLLM のボトルネックは単純な情報検索にとどまらず、異なる文脈長にわたる継続的推論の困難、細粒度の知覚の弱さ、非言語的な全モーダル理解の不足にも及ぶことが示された。論文の全文、PDF、HTML 実験版、TeX ソースは arXiv で公開されており、DOI は DataCite によって付与されている。投稿履歴によれば、本バージョンは 2026 年 5 月 21 日 18:00:22 UTC にアップロードされ、ファイルサイズは約 12,663 KB である。