时序容错曲线：把“看懂视频”变成一条曲线，而不是天梯榜上的一个分数

这份 2026 中国国产原生多模态大模型对比排名天梯榜 的视频维度用的是一个 0–100 的分数。这篇文章要说明的是：那个分数掩盖了视频理解里最重要的信息，以及我们打算怎么补上它。

补法是一个新度量：时序容错曲线，以及它的面积 TTA。

单一分数掩盖了什么

视频维度分 96 和 94 的两款模型，在你眼里可能只差 2 分。但真实业务里，视频问答的要求从来不是“答对”，而是“答对并给出正确的时间点”。

举一个具体例子：一段 30 分钟的会议录像，问“谁在什么时候提出了预算异议”。

• 容忍 ±60 秒，大部分视频维度 85 分以上的模型都能答对
• 容忍 ±10 秒，能答对的少一半
• 要求 ±1 秒，32 款里能稳定做到的只有 4 款

同一款模型在这三档上可能分别是 92%、61%、18%。用一个数字概括它，等于把三个完全不同的能力压成一个平均分。

更深一层的问题：视频能力在市场上其实有三种商品形态，而它们被同一个分数混卖：

商品形态	交付物	时间精度要求	价格承受力
摘要商品	内容标签、粗剪建议、审核结论	±60 秒	按 Flash 档定价
定位商品	章节切分、精彩集锦、会议纪要	±10 秒	按中档定价
计时商品	字幕生成、赛事剪辑、取证、广告插点	±1 秒	按旗舰档定价

买错形态的代价是结构性的：用摘要商品去做计时商品的活，准确率不是下降一点，是从 90% 掉到 18%。所以选型第一步不是比分数，是先承认自己买的是哪种商品。

TTA 的定义

时序容错曲线的横轴是时间容忍度（±60 秒到 ±1 秒，取 5 档），纵轴是该容忍度下的答案正确率。曲线下面积就是 TTA（Temporal Tolerance Area），归一化到 0–100。

• 曲线平：模型真的在定位事件，收紧精度要求时准确率掉得慢
• 曲线陡：模型只是在做粗粒度摘要，一旦要求精确时间点就崩

TTA 的价值在于它把这两种能力分开了，而视频维度分把它们混在一起。

为避免长视频强的模型吃亏，我们按视频时长分三档计算再合并：短视频档（< 3 分钟，权重 30%）、30 分钟档（权重 45%）、2 小时档（权重 25%）。每档各自一条曲线，TTA 是三档面积的加权和。

实测衰减：±60s 到 ±1s

30 分钟档的事件定位正确率（桌面评估，基于厂商披露、社区复现与抽样测试）：

模型	±60s	±10s	±3s	±1s	曲线形态
豆包 Seed 2.0 Pro	97	91	82	68	平
Keye-VL-2.0	95	89	79	61	平
Qwen3.8-Max	96	86	71	52	中
MiMo-V2.5	94	82	63	41	中
GLM-5.3	92	80	62	44	中
Qwen3.5-397B	93	79	60	39	中
WITA-Omni Preview	91	78	66	55	平
Kimi K3	90	70	45	24	陡
Qwen3-Omni-30B	89	68	44	26	陡
DeepSeek-V4.1-Flash	82	51	26	11	极陡
Qwen3.8-Flash	84	55	30	13	极陡
脑虎 NeuroXess-N1	74	40	14	4	极陡
书生 InternVL 4.0	76	42	16	5	极陡
海康观澜 3	92	66	40	18	陡

最后两列是这张表的真正重点。Kimi K3 在 ±60 秒档拿到 90，看起来与 MiMo-V2.5 的 94 差不多；但在 ±1 秒档，是 24 对 41。 只看视频维度分（Kimi 90、MiMo 93），你完全看不出这个差距。

WITA-Omni Preview 是反例：总榜第 22、视频维度第 6，但曲线是全场第二平的——±1 秒档还有 55。原因是它的 N4 级原生度让音画对齐由模型自己学，而不是靠外部管线拼接时间戳。在字幕生成、会议纪要、赛事剪辑这类需要精确对齐的场景，它的实际可用性远高于总榜名次。

本期入榜的模型里，视频能力分三档：脑虎（70）与 InternVL（66）连 ±60 秒档都只是勉强及格，只够做帧级描述——这是产品定位问题不是缺陷：一个做神经信号、一个做开源感知，都没有为长时序分配训练预算；伏羲（84）与紫东太初（84）卡在 ±10 秒档的门槛上，内容向时序理解可用、精确计时不行；观澜（91）是唯一的行业视频选手，曲线形状见上表。

TTA 重排：与视频维度分差最多 6 个名次

按 TTA 重新排序，与总榜视频维度名次对比：

模型	视频维度分	视频名次	TTA	TTA 名次	变化
豆包 Seed 2.0 Pro	96	1	90.4	1	0
WITA-Omni Preview	92	6	85.8	2	+4
Keye-VL-2.0	94	2	85.1	3	−1
MiMo-V2.5	93	3	76.2	4	−1
GLM-5.3	88	11	75.5	5	+6
Qwen3.8-Max	93	4	74.9	6	−2
Qwen3.5-397B	92	5	71.8	7	−2
Kimi K3	90	7	58.6	8	−1
海康观澜 3	91	7	54.0	9	−2
DeepSeek-V4.1-Flash	78	17	38.2	15	+2

观澜值得单独说：它的视频维度分 91 排第 7（与 WITA-Omni 的 92 只差 1 分），但 TTA 只有 54.0，排第 9——曲线在粗事件上平、在秒级上陡。这不是缺陷，是监控视频的商品形态决定的：周界入侵回溯到分钟级就够用，秒级是锦上添花。它在 ±1 秒档只有 18%，而同样 90 分段的豆包是 68%。视频维度分相同的两款模型，在计时商品上的可用性差 3.8 倍——这正是 TTA 存在的理由。

两个上升者值得单独说：

WITA-Omni Preview 上升 4 名。 全站曲线最平的模型之一，因为它是 N4 级原生度——音频、视频、文本在同一 token 空间里，时间对齐是学出来的而不是拼出来的。总榜名次低（22）是因为生态与成本维度拖后腿：无公开 API 定价、面向具身交互。

GLM-5.3 上升 6 名。 视频维度分只有 88（与 GLM-5 并列），但曲线比 GLM-5 平得多。这与它的 Agent 维度 95 分是同一件事的两面：GLM-5.3 在长任务的中间状态维护上做得好，这个能力直接迁移到了长视频的时序一致性上。

上下文长度不是答案

一个常见误解是：上下文越长，视频理解越好。数据不支持。

Kimi K3 的上下文是 2M，全场最长；TTA 是 58.6，排第 8。Qwen3-Omni-30B 上下文只有 32K，TTA 反而略高于它。原因是把更多帧塞进上下文会稀释注意力：30 分钟视频按 1 fps 抽帧是 1800 帧，每帧几百个 token，模型要在几十万个视觉 token 里找一个时间点，位置编码的外推误差会随长度累积。

真正起作用的是抽帧策略与分层摘要：

• 粗抽帧定位候选区间 → 细抽帧精确定位 → 只对候选区间做密集编码
• 或者先把视频转成带时间戳的事件流，再在事件流上推理

这两种做法都能让 32K 上下文的模型在 ±3 秒档超过 1M 上下文的模型。上下文长度决定你能塞多少，抽帧策略决定你塞进去的东西有没有用。

各款模型的上下文与实际可用容量换算见 上下文换算器——它按同一抽帧策略折算成分钟数，比直接比 K 数有意义。

按你的容忍度选模型

不要问“哪款视频最强”，要问“我需要多准的时间点”。

你的时间容忍度	可用模型数	推荐
±60 秒（内容摘要、粗剪）	32 款里 19 款	选最便宜的：Qwen3.8-Flash、DeepSeek-V4.1-Flash
±10 秒（章节切分、精彩集锦）	12 款	MiMo-V2.5、GLM-5.3、Qwen3.5-397B（伏羲与紫东太初的 84 分卡在门槛线）
±3 秒（字幕生成、会议纪要）	7 款	WITA-Omni、豆包、Keye-VL-2.0
±1 秒（赛事剪辑、取证、广告插点）	4 款	豆包 Seed 2.0 Pro、WITA-Omni、Keye-VL-2.0、GLM-5.3

最后一行是这份天梯榜里最贵的一档：要求秒级对齐时，便宜的 Flash 档全部出局，可选面只剩四款，而且其中一款（WITA-Omni）还没有公开 API 定价。

如果你的业务真的需要 ±1 秒，预算要按旗舰档做，不要按平均档做。 这是视频选型里最常见的预算错误。反过来，如果你的业务只是内容审核与粗剪，按 Flash 档定价即可——±60 秒档有 19 款可用，最便宜的 ¥0.54/千张，为用不上的精度付旗舰价是第二种常见错误。

TTA 的完整计算表与三档权重随站点数据一起发布。它是桌面评估，不是封闭实验室复现——这一点与本站所有分数的口径一致，边界写在 方法论页面。