本文提出了一种统一的分类法，用于评估语音模型，解决不同模型在语音处理中的评估需求。该分类法定义了三个维度：评估方面、模型能力和任务要求。通过将现有评估与模型能力和方法论需求相匹配，提供了选择和解释语音模型评估的框架，并揭示了未来基准设计的优先领域。

本文探讨了视频理解基准的局限性，指出现有评估方法未能有效区分模型的时间推理能力。提出了VBenchComp，一个自动化流程，将问题分类为可回答、语义和时间问题，以便更细致地评估视频大语言模型的能力。分析表明传统评分掩盖了模型的弱点，并为未来基准设计提供了建议。