OpenAI和谷歌接連兩場發(fā)布會，把AI視頻推理卷到新高度。

但業(yè)界還缺少可以全面評估大模型視頻推理能力的基準。

終于，多模態(tài)大模型視頻分析綜合評估基準Video-MME，全面評估多模態(tài)大模型的綜合視頻理解能力，填補了這一領(lǐng)域的空白。

Gemini 1.5 Pro在這份榜單中遙遙領(lǐng)先，顯示出在視頻理解領(lǐng)域的“霸主”地位。Video-MME一經(jīng)推出，被谷歌首席科學(xué)家Jeff Dean連續(xù)轉(zhuǎn)發(fā)了三次。

GPT-4o、谷歌Gemini 1.5 Pro標榜的視頻推理能力終于在全新的、更復(fù)雜的多模態(tài)基準Video-MME上首次得到了驗證。

同時，各大公司以及研究機構(gòu)，例如NVIDIA、ByteDance等模型也加入了混戰(zhàn)。

Video-MME由中科大、廈大、港中文等高校聯(lián)合推出，代碼和數(shù)據(jù)集均已開源。

全人工標注高質(zhì)量數(shù)據(jù)集

該基準采取全人工標注，具有區(qū)別于現(xiàn)有數(shù)據(jù)集的顯著特點。在以下的例子中，準確回答該問題需要同時從視覺、字幕以及音頻中同時獲取信息，有效信息直接橫跨30分鐘的間隔：

Video-MME具有以下顯著特點：

時間維度的廣泛性：視頻時長從11秒到1小時不等，涵蓋短（<2分鐘）、中（4-15分鐘）、長（30-60分鐘）三種不同的視頻時長，全面評估模型在不同時間跨度下的上下文多模態(tài)理解能力；

數(shù)據(jù)模態(tài)的豐富性：除了視頻幀，Video-MME還整合了字幕和音頻模態(tài)輸入，全面評估大模型的多模態(tài)處理能力；

視頻類型的多樣性：覆蓋了知識、影視、體育、藝術(shù)、生活記錄和多語言6個主要領(lǐng)域，涉及30個細粒度子領(lǐng)域；

注釋質(zhì)量的高標準：900個視頻，共254小時的內(nèi)容由具備大模型背景的專業(yè)人員手動標注與驗證，產(chǎn)生了2,700個問答對。問題類型涵蓋感知、認知和總結(jié)概括等12種類型；

可靠的有效時長 （Certificate Length準確回答問題所需的最短時長）：對于短視頻、中視頻和長視頻，Video-MME數(shù)據(jù)集的有效時長中位數(shù)分別為26.0秒、164.7秒和890.7秒，要求模型消化更長的視頻內(nèi)容才能回答問題；

全面的實驗評估：文章選取了6種代表性的開源視頻語言模型以及閉源模型Gemini 1.5 Pro和GPT-4V/o進行全面的實驗分析。同時文章還選取了基于圖片的多模態(tài)大模型進行評測（泛化到多圖輸入），證明其同時適用于圖片&視頻多模態(tài)大模型。

文章選取了多種代表性的開源視頻多模態(tài)大模型，包括ST-LLM、VideoChat2-Mistral、Chat-UniVi-V1.5、LLaVA-NeXT-Video和VILA-1.5，以及閉源模型Gemini和GPT-4V/o 。同時，基于圖片的多模態(tài)大模型包括Qwen-VL-Chat、Qwen-VL-Max和InternVL-Chat-V1.5。

在商業(yè)模型中，Gemini 1.5 Pro在視頻理解方面表現(xiàn)突出，在加以字幕輔助的情況下以81.3%的準確率領(lǐng)先，并在與GPT-4V和GPT-o的對比中分別超出18%和4.1%。

盡管隨著視頻時長增加，其表現(xiàn)略有下降，但在長視頻上的表現(xiàn)（加字幕）優(yōu)于所有開源模型在短視頻上的表現(xiàn)。

同時，Gemini 1.5 Pro還支持音頻模態(tài)的輸入，模態(tài)支持的更廣。而在開源模型中，來自NVIDIA的VILA-1.5以59.4%的準確率表現(xiàn)最佳。然而，相比Gemini 1.5 Pro，VILA-1.5在計數(shù)問題、動作識別和時間感知方面仍然存在顯著差距。

同時，隨著視頻時長的增加，所有模型的表現(xiàn)均呈現(xiàn)明顯的下降趨勢，這也說明面對更長的上下文記憶以及更為復(fù)雜的任務(wù)時模型還有很大的提升空間。此外，實驗還揭示了字幕和音頻信息能顯著增強視頻理解能力，尤其是對于長視頻的理解。

在三十種不同類型的視頻上，Gemini 1.5 Pro展現(xiàn)出不同的性能。例如，有的任務(wù)對字幕和語音的依賴程度更高，如Basketball的長視頻，加上字幕和語音能夠顯著提升性能。詳細的實驗結(jié)果請參照論文原文。

綜合實驗結(jié)果可以看出，當(dāng)前的多模態(tài)大模型在視頻理解，尤其是長視頻理解方向仍然有很長進步空間，一方面是要提升模型的多模態(tài)長上下文理解能力，Gemini 1.5 Pro最高支持百萬長度的上下文窗口，這是其表現(xiàn)優(yōu)異的依仗，另一方面也亟需構(gòu)建相應(yīng)的高質(zhì)量長視頻理解數(shù)據(jù)集，這方面當(dāng)下仍處于空白。

論文鏈接：https://arxiv.org/pdf/2405.21075
項目主頁：https://video-mme.github.io
項目倉庫：https://github.com/BradyFU/Video-MME