这项由清华大学洪文轶、程烨安等研究者与智谱AI团队合作完成的😡研究，发表于2025年1月6日的arXiv预印本平台（论文编😆号：arXiv:2501.02955v1），有兴趣深入了解的😁读者可以通过论文标题"MotionBench: Benchm😍arking and Improving Fine-grai👏ned Video Motion Understanding🔥 for Vision Language Models"搜索😴获取完整论文。 你是否曾经好奇，那些能够描述视频内容、👏回答视频问题的AI模型，究竟能多准确地"看懂"视频？当我们看👍到一个人跳跃、两个棒球运动员在空中相撞庆祝时，这些看似简单的👏动作，对于目前最先进的AI视频理解模型来说，居然是极大的挑战🔥。清华大学的研究团队通过一项突破性研究发现，即使是GPT-4🥳o、Qwen2-VL这样的顶级模型，在理解视频中的精细动作时❤️，准确率竟然连60%都达不到。 这个发现让人意外，因为😴我们平时看到的AI视频分析似乎已经相当出色。研究团队深入分析👍后发现，现有的视频理解评估体系存在一个巨大的盲区——几乎所有😁现存的视频评估基准都专注于故事情节理解和事件识别，却忽略了最😂基础的动作层面理解。就像我们评估一个人的阅读能力时，只测试他😉能否理解整本书的主题思想，却从未测试过他是否认识每个字一样。😍 为了填补这个关键空白，研究团队开发了MotionBe🤩nch——一个专门测试AI模型精细动作理解能力的全新评估体系😆。这套评估系统包含了8052个精心设计的问答对，覆盖5385🤔个视频片段，这些视频来源极其丰富：从网络平台Pexels和P😁anda-70M数据集收集的日常生活视频、从MedVid医学😂视频数据库获取的医疗教学片段、从SportsSloMo获得的🚀体育慢镜头、从Ha-ViD收集的工业场景视频，甚至包括研究团😉队使用Unity引擎专门制作的虚拟场景视频。 Moti🌟onBench的评估维度设计得极其精巧，涵盖了六个关键的动作😎理解类别。第一类是动作识别，测试模型能否准确识别视频中出现的⭐具体动作类型。第二类是位置相关动作，检验模型是否能理解物体或😆人物在空间中的移动轨迹和位置变化。第三类是动作顺序，评估模型🌟能否正确理解复杂动作的先后顺序。第四类是重复计数，这可能是最😀困难的一类，要求模型准确计算某个动作重复了多少次。第五类是动👍作相关物体，测试模型能否识别参与动作的小物件。第六类是摄像机🤩运动，评估模型对镜头移动的理解能力。 当研究团队用这套👏评估体系测试当前最先进的视频理解模型时，结果令人震惊。即使是😍业界公认表现最好的Qwen2-VL-72B模型，在Motio😢nBench上的综合表现也仅达到58%的准确率。更令人担忧的😜是，在重复计数这个类别中，几乎所有模型的表现都接近随机猜测的🙄水平，准确率徘徊在25%左右。这意味着当你问一个AI"视频中😴的人跳了几次"时，它的回答可能还不如抛硬币来得准确。 🤔展开全文 为了深入理解这个问题的根源，研究团队进行了详😁细分析。他们发现，精细动作理解的困难主要来自两个方面。首先是🤩技术限制：要准确捕捉动作细节需要高帧率的视频输入，但高帧率意🤔味着巨大的计算成本。目前的视频理解模型受限于计算资源，只能处😢理非常有限的帧数。以Intern-VL2为例，它只能处理16🚀到64帧，这意味着对于一个5分钟的视频，它只能以0.2帧每秒⭐的极低采样率进行处理——相当于每5秒钟只看一张图片，想要理解😎其中的精细动作变化几乎是不可能的。 第二个根本原因是现🤯有模型缺乏精细动作理解的基础能力。研究发现，即使提供更高的帧🚀率输入，模型的表现提升也相当有限，这表明问题不仅仅在于"看得👏不够多"，更在于"看了也不懂"。 针对这些发现的问题，⭐研究团队提出了一个创新的解决方案——通过编码器融合技术（Th🔥rough-Encoder Fusion，简称TE Fusi🥳on）。传统的视频压缩方法就像是先把每张图片分别理解，然后再💯试图找出它们之间的联系，这种"浅层融合"的方式很难捕捉到动作😆的连续性和细节变化。TE Fusion则采用了一种"深度融合😊"的策略，让相邻的视频帧在处理的整个过程中都保持紧密的信息交🤯流，就像一个团队在协作完成任务时保持实时沟通一样。 具🚀体来说，TE Fusion将相邻的k帧视频组成一个群组，在视🤩觉编码的整个过程中，这些帧之间会进行群组级别的自注意力计算，😁使得模型能够在更深层次上理解帧间的时间依赖关系。这种方法的优😁势在于能够在相同的计算资源约束下，实现更好的视频特征表示，特😅别是在高压缩比的场景下表现尤为突出。 实验结果证明了T🌟E Fusion的有效性。在MotionBench上，使用T😜E Fusion的模型达到了58%的准确率，不仅在所有六个动🌟作理解类别中都有显著提升，而且在其他视频理解基准测试（如MV😘Bench、LVBench、VideoMME）中也表现出色。😎特别值得注意的是，TE Fusion在处理高压缩比视频时的优🤩势最为明显，当压缩比达到16倍时，其性能下降幅度远小于其他方🤔法。 为了进一步推动这个领域的发展，研究团队还发布了一🤯个包含5000个视频的精细动作描述数据集。这些视频都经过了人😘工标注，提供了详细的动作信息描述，标注密度达到每秒12.63😀个单词，为研究者提供了宝贵的训练资源。 研究团队对所有🤗测试失败的案例进行了深入分析，发现了一些有趣的模式。在动作识❤️别方面，失败案例中最大的比例涉及精细动作的区分，说明某些动作😁及其相关描述在训练数据中可能存在不足。从视频时长的角度分析，🥳即使是0到4秒的短视频，所有模型都答错的问题仍占11%到14🎉%，这突显了模型在区分某些动作时的固有困难。随着视频时长的增😊加，失败率显著上升，18秒以上的视频失败率达到18%。 😊 一个典型的失败案例很好地说明了问题所在：在一个视频中，一只🚀手从汽车顶部移动到左下方，但大多数模型都认为这是"轻拍汽车表😘面"的动作。从单帧图像的角度看，这种判断似乎合理，但在视频时😡序中，手实际上是滑过汽车表面而不是拍打，这个例子完美展示了单🥳帧预测与时序理解之间的差异，也说明了创建专注于动作层面评估基😉准的价值。 这项研究的意义远不止于揭示现有模型的不足。⭐在实际应用中，精细动作理解对于异常检测、开放域动作分析、详细😡视频字幕生成等任务都至关重要。在医疗教学中，准确理解手术动作🥳的细节关系到医学生的学习效果；在体育分析中，对运动员技术动作🙄的精确识别影响着训练效果的评估；在工业安全监控中，对危险动作😜的及时识别可能关系到工人的生命安全。 研究团队也坦诚地😢指出了这项工作的局限性。首先，尽管他们努力包含了多样化的视频😴内容，但数据集可能仍然存在地理、文化和情境方面的偏见，这可能😊限制了研究结果在不同环境下的普适性。其次，虽然进行了大规模的😊标注工作，但由于人工标注和自动化工具的限制，偶尔的不准确或不😜一致在所难免。 从更广阔的视角来看，这项研究为视频理解🥳领域指明了一个重要的发展方向。当前的AI视频理解研究大多关注😆于高层次的语义理解，而忽略了基础的动作感知能力。就像建造高楼😀大厦需要坚实的地基一样，要实现真正智能的视频理解，我们必须首😢先解决最基础的动作理解问题。 MotionBench的😡发布为这个领域提供了一个重要的评估工具和研究起点。通过这个基😴准测试，研究者们可以更准确地评估和改进自己的模型，推动整个领⭐域向更加精细、更加准确的方向发展。同时，TE Fusion技😊术的提出也为解决视频理解中的计算效率和准确性平衡问题提供了新😜的思路。 归根结底，这项研究告诉我们，在AI视频理解的😁道路上，我们还有很长的路要走。虽然现有的模型在某些高层次任务😂上表现出色，但在最基础的动作理解方面仍然存在巨大的改进空间。🤯这个发现不仅让我们更清楚地认识到当前技术的局限，也为未来的研😉究指明了方向。随着MotionBench这样的专业评估工具的🤔出现，以及TE Fusion这样创新技术的发展，我们有理由相🤯信，AI模型在精细动作理解方面的能力将会得到显著提升，最终实🔥现真正智能的视频理解。 Q&A Q1：Motio🎉nBench是什么？它和其他视频评估有什么不同？ A：👏MotionBench是清华大学开发的专门测试AI模型精细动😂作理解能力的评估体系，包含8052个问答对和5385个视频。😍与其他主要关注故事情节和事件理解的视频评估不同，Motion😊Bench专注于最基础的动作层面理解，就像测试AI是否真的"😜看懂"了人跳跃、物体移动这些基本动作。 Q2：为什么顶🌟级AI模型在MotionBench上表现这么差？ A：🙄主要有两个原因。首先是技术限制：理解精细动作需要高帧率输入，🥳但现有模型受计算资源限制只能处理很少帧数，相当于每5秒只看一😜张图片。其次是基础能力缺失：即使提供更多帧数，模型的表现提升🥳也有限，说明它们缺乏理解动作连续性和细节变化的根本能力。 🤗 Q3：通过编码器融合技术TE Fusion是如何改进视频🤯理解的？ A：TE Fusion采用"深度融合"策略，😁让相邻视频帧在整个处理过程中保持紧密信息交流，而不是传统的先💯分别理解再寻找联系的"浅层融合"。这就像团队协作时保持实时沟😊通一样，能更好地捕捉动作的连续性，特别在高压缩比场景下优势明🎉显。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

文 | 潮汐商业评论 文 | 潮汐商业评论 纽约😡时代广场的霓虹灯下，出差的大厂员工Mark正在和当地同事们安🙄利着手里的生椰拿铁。 在他身边，金发碧眼的Stacy手😊握小蓝杯感叹："是哪个天才想出来把椰奶放进冰咖啡里的，而且还😘只要1.99美元。我要从此和Dunkin说拜拜了！“这个看似😘平常的消费场景，正在全球各地不断重现——从曼哈顿到墨尔本，从😀雅加达到伦敦，中国茶饮品牌正以惊人的速度冲出国门，“血洗”着😍全球现制饮品市场。 01 从东南亚到欧美，一杯奶茶的东🙌学西渐 如果你在最近两年出国旅游或工作，一定也会发现，🙄在海外买到一杯奶茶或中式咖啡越来越容易了。可以说，在国内外卖🌟大战竞争愈演愈烈的同时，中国茶咖出海也同步进入了新一轮加速期🤔。各品牌正以差异化策略攻占全球市场。 这个夏天，瑞幸在🤩纽约连开了两家快取店，1.99美元的定价让更是让咖啡不离手的😁金融男们大呼“真香”。这种贴身肉搏的姿态，无疑是瑞幸对一街之😀隔星巴克的高调“宣战”。 自2023年踏出海外第一步以❤️来，瑞幸已在新加坡和马来西亚开设了数十家分店。登陆纽约，则标🙄志着瑞幸的全球化战略已从熟悉的亚洲文化圈迈向了更为成熟和竞争😍激烈的西方市场。纽约新店“00002”的编号足以彰显着瑞幸“😡熹妃回宫”的野心。“颤抖吧华尔街，你的强又回来了！” 🔥海的那一边，雪王也突破了东方明珠“防御塔”，在东南亚一路高歌🤩猛进。截至2025年6月，蜜雪冰城全球门店数已突破5.3万家👏，成为东南亚市场不可忽视的力量。越南15k（约合人民币4.5🤗元）一杯的柠檬水虽然比路边摊贵，却能做到干净又卫生，价格和国🎉内差不多。据2025年中报显示，蜜雪冰城在海外开设了4733😍家门店，其中印尼和越南是重点市场。且目前仍有91%的门店位于😘国内市场，蜜雪冰城的海外拓展似乎还有着无限可能 和蜜雪😆冰城在国内市场分庭抗礼的霸王茶姬，则凭借着中式茶饮定位在海外😁异军突起。截至2025年6月，其海外门店总数达到208家，单😍季度净增43家，覆盖马来西亚、新加坡、印度尼西亚、泰国及美国💯市场。本季度海外GMV同比增长77.4%，斩获2.35亿元营😴收。霸王茶姬在不同市场采取差异化定价策略，在马来西亚，一杯伯🙌牙绝弦的价格约23.4元人民币；美国的定价则约41元人民币。😊 贡茶作为早期出海代表，已在全球多个市场建立稳固地位；🤩喜茶在北美市场扩张迅猛，截至2025年8月，其在海外市场已开🚀设超过115家门店；奈雪的茶在海外市场也表现亮眼。 在🎉全球市场中，与中国拥有相近茶文化的东南亚市场是出海首选地。如🌟蜜雪冰城在印尼拥有2667家门店，在越南拥有1304家门店，👏已成为越南最大的现制饮品品牌。霸王茶姬在马来西亚开设178家😅门店，占据其海外门店总量的85.6%。 艾媒咨询预计，🚀2023年到2028年，东南亚的现制饮品年复合增长率高达19😅.8%，远高于全球平均水平7.2%。 2024年后，更😘多茶饮品牌盯上了欧美地区。喜茶进军法国、霸王茶姬进入美国、茶💯百道进入西班牙、茉莉奶白进军英国。虽然欧美地区文化、消费习惯🤔与我们差异更大，但拥有着广阔的潜在市场。从瑞幸登陆纽约，到霸💯王茶姬抢滩洛杉矶。中国茶饮品牌已经做好了进军西方成熟市场的准😡备，它们的目标将会是星辰大海。 展开全文 02 😘海的那边，茶饮激战依然正酣 从最新财报数据来看，中国茶🙄饮品牌的出海称得上初见成效。如瑞幸咖啡截至2025年第二季度❤️末，海外门店总数已达到89家，蜜雪同期全球门店数增至53,0😆14家，并已在多个海外国家建立仓储系统；霸王茶姬2025年第🙄二季度海外门店的GMV达到2.35亿元，同比增长77.4%。🌟 但花团锦簇的背后，茶饮品牌们似乎又是在一个更大的市场⭐上进行着同国内市场一样激烈的血战。 如高调在纽约开店的😅瑞幸，在经历了初期的0.99刀咖啡和使用优惠券的1.99刀咖😅啡后，并没有将“价格战”坚持到底。店内美式咖啡定价在3至5美🤩元，生椰拿铁等产品价格多在6.5美元/杯左右。初来乍到，瑞幸😢不敢狠狠砸钱，可能是由于其在美国本土面临的较高门店成本与人力😘成本，以及在当地尚未搭建成功的稳定供应链。 根据商业地⭐产服务及投资公司CBRE发布的《2025年第一季度曼哈顿零售🥳租金报告》，曼哈顿核心商圈的平均租金高达每平方英尺659美元😢/年，在全球范围内处于顶尖水平。但在促销期过后，与星巴克价格🎉相当甚至更贵的咖啡还能唤起消费者的热情吗？ 与瑞幸相反❤️的，是在东南亚将价格战进行到底的蜜雪冰城，更具竞争力的价格当🙌然可以吸引更多客户，但也会对加盟商的利润空间造成挤压。在20😀23年，越南的一些加盟商就曾经通过拉横幅的方式抗议蜜雪冰城的😘定价策略。 面对成本，无论是精打细算还是放血补贴，左右🔥都体现了中国品牌对海外市场运营复杂性的预估不足，毕竟出海不是😍将中国模式复制粘贴到全世界。 在供应链环节，茶饮品牌同😡样面临着来自不同市场的挑战。在不同市场，原料准入标准就差异巨🌟大，比如欧盟对茶叶农残检测指标高达480项，远超国内标准；在🙄东南亚地区的塑料包装禁令和含糖量分级制度则直接推高了合规成本🥳。 不同消费市场的口味差异化需求进一步加剧供应链复杂度😁，欧美市场追求有机健康，东南亚偏好浓郁甜口，穆斯林国家还有清😜真认证等特定要求。 更棘手的是，传统茶饮的一款新品从研💯发到上市往往需要3-6个月，涉及原料采购、口感测试、合规检测💯等多重环节。虽然数字化工具和成熟供应链体系已将流程缩短一半，💯但跨国冷链物流、本地化生产等环节仍面临效率与成本的双重压力。🤩这些供应链难题直接制约着产品迭代速度和市场响应能力，成为中国🥳茶饮品牌出海必须攻克的关键壁垒。 此外，中国茶饮品牌还😆面临着本土巨头的激烈竞争。 在东南亚市场，有印尼的Ko😍pi Kenangan等本土咖啡品牌；在欧美市场，则要直面星😘巴克、Dunkin等国际巨头的正面硬刚；甚至在很多茶饮巨头尚😀未涉足的市场，已经有了当地华人老板自己开的独立奶茶店。这些挑😀战都需要中国品牌拿出更加精细化的运营策略和更加本地化的产品服😢务。 以日本市场为例，虽然媒体们会将麻辣烫、珍珠奶茶奉😁为年轻人追捧的新消费潮流，但真正能让普通消费者长期复购的，依🎉然是拿铁和美式。 中国茶饮有那么多丰富的口味、动人的故🤯事，完全可以结合海外市场消费习惯，拓宽中国茶饮品牌和各国文化😆的融合，达成渐进式影响和消费习惯孵化。 03 本地化策👏略与未来发展：从“出海”到“本地化生存”的深度转型 中😅国茶饮品牌要真正赢得全球市场，就必须超越简单复制国内模式的思😂维，实现从“出海”到“本地化”的转变，重构一个新的茶饮市场，😂而非从海外竞争对手手中抢份额。这种转变涉及产品、供应链、运营😢等多个维度。 口味的本地化，就是品牌们的第一个突破口。🚀比如，喜茶就曾以加州的日落风光为灵感，在比佛利山庄店推出“加😁州落日”限定款。在该店开业当天，这款产品售出约2000杯。结🤗合东南亚人普遍嗜甜的口味特点，蜜雪冰城推出了加重甜度的冷饮产👍品和香茅、凤梨等当地人喜欢的重口味水果茶。霸王茶姬根据口味调😡研成果，在马来西亚推出了谷香焙茶，成为东南亚市场的现象级爆款❤️。 供应链则是有效降低出海成本的核心。为了能保障长期、🤗稳定的原材料供应，品牌们也是各显其能。如蜜雪冰城已经在4个海🔥外国家建立了仓储系统，还在今年和巴西签订了40亿元咖啡豆等农😢产品的意向采购订单，为进军美洲市场做准备；霸王茶姬则是计划将😉IPO募集资金的12%（约3.95亿港元）用于搭建国际供应链🤔平台，以支持海外业务的快速扩张。瑞幸的供应链也在逐步完善，其😢咖啡豆来源覆盖了埃塞俄比亚、巴拿马、哥伦比亚、中国云南等产区🤩。 有了好产品，中国茶饮还要在市场营销的舒适区中卷出新🎉花样。比如瑞幸在纽约的快取店分别位于在百老汇和第六大道，前者🎉是遍布国际游客和留学生的联合广场与纽约大学交汇处，后者是靠近👏星巴克的CBD街区。双店布局的策略让瑞幸既能够依靠自己的知名😡度保证盈利能力，提升在当地市场影响力，又能迅速对标竞品和消费❤️者反馈迅速调整配方，融入当地市场。 在线上，瑞幸也在I😘nstagram、TikTok、X等美国主流社交媒体上保持高😘频度内容更新，并发起#luckinnyc等话题挑战鼓励用户互😍动。它还邀请美食和生活方式领域博主进行探店合作，通过网红营销😡扩大影响力。这种全方位的数字化营销策略帮助瑞幸在短时间内建立😍了品牌知名度。从用户反馈来看，消费者普遍称赞其方便快捷、价格🙄实惠，也认可这种全数字化的线上消费体验。 霸王茶姬、喜👏茶还注重通过文化共鸣拉近与海外消费者的距离，打造东方快闪茶室🙌、推出大英博物馆联名产品，成为了它们出圈的秘密武器。 🤩从“卖产品”到“卖文化”、“卖体验”，中国茶饮品牌正在全球市🙌场探索新的发展路径。正如慢茶创始人叶冠昭所说：“海外市场确实😢有很大的发展空间，但出海一定要良性，做品牌、做产品、做系统。😂抱着捡漏的心态是无法长久的。”想要在全球扩张与本地化深耕之间😍找到平衡点，品牌需要兼具全球视野和本地智慧，能够灵活调整策略😂应对各种挑战。随着更多中国茶饮品牌走向世界，这场"世界茶饮战🎉争"的结局将会如何，让我们拭目以待。 正如Mark所说🤯：“原本我以为开在海外的中国奶茶店和咖啡馆就是‘留学生限定’🙌，但我真的看到了不少喝中国奶茶和咖啡的老外。” 10年🙄前，茶饮品牌们在国内市场已经塑造了规模巨大且稳定的一批新式茶👍饮消费群体。10年后，海阔天空，它们或许还能重塑整个世界对咖🥳啡与茶的定义。返回搜狐，查看更多