VideoMathQA: Evaluación del Razonamiento Matemático mediante la Comprensión Multimodal en Videos

Resumen

El razonamiento matemático en entornos de video del mundo real presenta un desafío fundamentalmente diferente al de las imágenes estáticas o el texto. Requiere interpretar información visual detallada, leer con precisión texto manuscrito o digital, e integrar pistas habladas, a menudo dispersas de manera no lineal en el tiempo. En tales contextos multimodales, el éxito no depende únicamente de la percepción, sino de identificar e integrar selectivamente los detalles contextuales correctos de un flujo rico y ruidoso de contenido. Con este fin, presentamos VideoMathQA, un punto de referencia diseñado para evaluar si los modelos pueden realizar este tipo de razonamiento multimodal extendido temporalmente en videos. El punto de referencia abarca 10 dominios matemáticos diversos, cubriendo videos que van desde 10 segundos hasta más de una hora. Requiere que los modelos interpreten contenido visual estructurado, comprendan narrativas instructivas y fundamenten conceptos conjuntamente a través de las modalidades visual, auditiva y textual. Empleamos expertos de nivel de posgrado para garantizar alta calidad, totalizando más de 920 horas-hombre de anotación. Para reflejar escenarios del mundo real, las preguntas están diseñadas en torno a tres desafíos centrales de razonamiento: resolución directa de problemas, donde las respuestas se basan en la pregunta presentada; transferencia conceptual, que requiere aplicar métodos aprendidos a nuevos problemas; y comprensión profunda de instrucciones, que implica razonamiento de múltiples pasos sobre explicaciones extendidas y soluciones parcialmente desarrolladas. Cada pregunta incluye anotaciones de razonamiento de múltiples pasos, permitiendo un diagnóstico detallado de las capacidades del modelo. A través de este punto de referencia, destacamos las limitaciones de los enfoques existentes y establecemos un marco de evaluación sistemático para modelos que deben razonar, en lugar de simplemente percibir, en entornos de problemas matemáticos ricos en modalidades y extendidos temporalmente. Nuestro punto de referencia y código de evaluación están disponibles en: https://mbzuai-oryx.github.io/VideoMathQA

English

Mathematical reasoning in real-world video settings presents a fundamentally different challenge than in static images or text. It requires interpreting fine-grained visual information, accurately reading handwritten or digital text, and integrating spoken cues, often dispersed non-linearly over time. In such multimodal contexts, success hinges not just on perception, but on selectively identifying and integrating the right contextual details from a rich and noisy stream of content. To this end, we introduce VideoMathQA, a benchmark designed to evaluate whether models can perform such temporally extended cross-modal reasoning on videos. The benchmark spans 10 diverse mathematical domains, covering videos ranging from 10 seconds to over 1 hour. It requires models to interpret structured visual content, understand instructional narratives, and jointly ground concepts across visual, audio, and textual modalities. We employ graduate-level experts to ensure high quality, totaling over 920 man-hours of annotation. To reflect real-world scenarios, questions are designed around three core reasoning challenges: direct problem solving, where answers are grounded in the presented question; conceptual transfer, which requires applying learned methods to new problems; and deep instructional comprehension, involving multi-step reasoning over extended explanations and partially worked-out solutions. Each question includes multi-step reasoning annotations, enabling fine-grained diagnosis of model capabilities. Through this benchmark, we highlight the limitations of existing approaches and establish a systematic evaluation framework for models that must reason, rather than merely perceive, across temporally extended and modality-rich mathematical problem settings. Our benchmark and evaluation code are available at: https://mbzuai-oryx.github.io/VideoMathQA

VideoMathQA: Evaluación del Razonamiento Matemático mediante la Comprensión Multimodal en Videos

VideoMathQA: Benchmarking Mathematical Reasoning via Multimodal Understanding in Videos

Resumen

Support