UrbanVideo-Bench

UrbanVideo-Bench 是首个面向城市开放空间的具身智能视频基准，由清华大学与鹏城实验室联合发布。数据集通过无人机在真实广东城市及“EmbodiedCity”北京模拟城采集 1.5 k 段第一人称航拍视频，并配套生成 5.2 k 道高质量多选问答，覆盖回忆、感知、推理、导航 4 类共 16 项任务，用于系统评测 Video-LLM 在连续运动中的空间认知与决策能力，为城市级具身智能研究提供可扩展的真实场景评估标准。