新的MMR-V基准揭示LLM在深度视频推理方面存在困难

引入了一个名为MMR-V的新基准，用于评估大型语言模型（LLM）在处理视频内容时的多模态深度推理能力。与侧重于简单帧匹配的现有基准不同，MMR-V要求模型执行长距离、多帧推理，并推断超出直接感知的信息。使用MMR-V进行的实验（包含317个视频中的1,257个任务）显示，即使是像Gemini 2.5 Pro这样的先进模型也面临困难，准确率仅为64.3%，而像Chain-of-Thought这样的常用推理增强策略改进有限。 AI

影响 凸显了当前LLM在复杂视频理解方面的局限性，可能指导未来多模态推理的研究方向。

排序理由 该项目是一篇介绍新AI模型评估基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Chain-of-Thought
• DagsHub
• Gemini 2.5 Pro
• Gotit.pub
• Hugging Face
• Kejian Zhu
• Multimodal Large Language Models
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →