MMBench-Video: Un Benchmark a Lungo Termine e Multi-Shot per la Comprensione Olistica dei Video

MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding

June 20, 2024

Autori: Xinyu Fang, Kangrui Mao, Haodong Duan, Xiangyu Zhao, Yining Li, Dahua Lin, Kai Chen

cs.AI

Abstract

L'avvento dei grandi modelli visione-linguaggio (LVLM) ha stimolato la ricerca sulle loro applicazioni in contesti multimodali, in particolare nella comprensione video. I tradizionali benchmark VideoQA, nonostante forniscano metriche quantitative, spesso non riescono a coprire l'intero spettro dei contenuti video e valutano in modo inadeguato la comprensione temporale dei modelli. Per affrontare queste limitazioni, introduciamo MMBench-Video, un benchmark quantitativo progettato per valutare rigorosamente la competenza degli LVLM nella comprensione video. MMBench-Video incorpora video lunghi da YouTube e utilizza domande a risposta libera, riflettendo casi d'uso pratici. Il benchmark è stato meticolosamente progettato per sondare le capacità di ragionamento temporale dei modelli, con tutte le domande annotate manualmente secondo una tassonomia delle abilità accuratamente costruita. Utilizziamo GPT-4 per la valutazione automatizzata, dimostrando una precisione e robustezza superiori rispetto alle precedenti valutazioni basate su LLM. Utilizzando MMBench-Video, abbiamo condotto valutazioni complete che includono sia LVLM proprietari che open-source per immagini e video. MMBench-Video si pone come una risorsa preziosa per la comunità di ricerca, facilitando una migliore valutazione degli LVLM e catalizzando i progressi nel campo della comprensione video. Il codice di valutazione di MMBench-Video sarà integrato in VLMEvalKit: https://github.com/open-compass/VLMEvalKit.

English

The advent of large vision-language models (LVLMs) has spurred research into their applications in multi-modal contexts, particularly in video understanding. Traditional VideoQA benchmarks, despite providing quantitative metrics, often fail to encompass the full spectrum of video content and inadequately assess models' temporal comprehension. To address these limitations, we introduce MMBench-Video, a quantitative benchmark designed to rigorously evaluate LVLMs' proficiency in video understanding. MMBench-Video incorporates lengthy videos from YouTube and employs free-form questions, mirroring practical use cases. The benchmark is meticulously crafted to probe the models' temporal reasoning skills, with all questions human-annotated according to a carefully constructed ability taxonomy. We employ GPT-4 for automated assessment, demonstrating superior accuracy and robustness over earlier LLM-based evaluations. Utilizing MMBench-Video, we have conducted comprehensive evaluations that include both proprietary and open-source LVLMs for images and videos. MMBench-Video stands as a valuable resource for the research community, facilitating improved evaluation of LVLMs and catalyzing progress in the field of video understanding. The evalutation code of MMBench-Video will be integrated into VLMEvalKit: https://github.com/open-compass/VLMEvalKit.