研究人员推出了LF-VideoQA,这是一个旨在评估视觉-语言模型(VLMs)在叙事视频上的长篇理解能力的新数据集。该数据集侧重于心理理论问题,这些问题需要综合分布在长时间内的信息,平均每个问题时长为23分钟。对最先进VLMs的初步评估显示出显著的挑战,即使是oracle模型也未能给出完整答案,而当前的非oracle模型仅达到oracle模型一半的召回率。结果表明,视觉证据至关重要,召回率是这些模型的主要瓶颈。 AI
影响 该数据集将推动AI模型在更深层次、更具上下文理解能力的长篇视频内容方面的发展。
排序理由 该集群包含一篇介绍用于评估AI模型的新数据集的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →