基准要求逐项核验密集描述中的事件是否被视频支持，覆盖500段不同复杂度视频。
推荐理由：逐事件验证比问答或整段字幕匹配更难借助表面线索蒙对，且能定位时空理解的具体缺口；500段视频规模不大，但评价粒度更有诊断性。
阅读原文