复旦大学 CVL 实验室发布面向复杂人类中心场景的音视频追踪基准 AVTrack，并公开项目主页、论文、代码与数据集。该基准包含 871 段视频、平均时长 54.0 秒、3,120 条带跨帧身份的像素级实例轨迹，覆盖 8 类可诊断挑战。团队评测显示，现有方法在长期身份关联和音视频不一致场景下仍存在明显短板，其中 AVTracker 在 HOTA 指标上达到 29.08。