LVSum是一个用于评估长视频摘要的新基准，包含72个跨13个领域的视频，平均时长16分钟，每个视频有最多10个人工摘要及时间参考。研究发现，转录文本比视觉帧对摘要质量贡献更大，模型与人类摘要仍有差距，且现有模型在时间定位、指令遵循和跨模态一致性上存在明显不足。