近年来，大语言模型的快速发展推动了多模态大语言模型（MLLMs）的兴起，这类模型在统一框架下整合了文本、语音与视觉信息。随着MLLMs从原本狭义的、单语种的、任务特定的系统，逐步演变为通用的指令遵循模型，一个关键的研究前沿在于如何在短时和长时上下文场景下，综合评估其多语言与多模态能力。然而，现有评估基准在联合衡量这些维度方面仍存在明显不足：它们往往局限于英语，主要聚焦单一模态，依赖短文本输入，或缺乏人工标注——这些局限性严重制约了对模型在不同语言、模态及任务复杂度下表现的全面评估。为弥补上述差距，我们提出MCIF（Multimodal Crosslingual Instruction Following，多模态跨语言指令遵循）——首个基于科学演讲的多语言人工标注基准，专为在短时与长时输入场景下，评估跨语言、多模态环境中的指令遵循能力而设计。MCIF涵盖语音、视觉与文本三大核心模态，覆盖英语、德语、意大利语和中文四种语言，能够全面评估MLLMs在跨语言情境中理解指令，并融合多模态上下文信息的能力。MCIF已以CC-BY 4.0许可协议发布，旨在推动多模态大语言模型领域的开放研究与持续发展。