MME-VideoOCR

新基准揭示多模态大语言模型在视频OCR方面存在困难

引入了一个名为MME-VideoOCR的新基准，用于评估多模态大语言模型（MLLMs）在视频内容中的光学字符识别（OCR）能力。该基准强调，由于运动模糊和时间变化，当前MLLMs在视频OCR方面存在困难，即使是表现最佳的模型Gemini 2.5 Pro，准确率也仅为73.7%。研究表明，MLLMs在需要单帧文本识别的任务上表现更好，但在需要整体视频理解、时空推理或跨帧信息集成时则表现不佳。