ShotBench: Экспертный уровень понимания кинематографии в моделях обработки зрения и языка

Аннотация

Кинематография, являющаяся фундаментальным визуальным языком кино, играет ключевую роль в передаче повествования, эмоций и эстетического качества. Хотя современные модели обработки визуальной и языковой информации (Vision-Language Models, VLMs) демонстрируют высокий уровень общего визуального понимания, их способность к восприятию тонкой кинематографической грамматики, заложенной в отдельных кадрах, остается малоизученной и недостаточно оцененной. Этот критический пробел ограничивает как детальное визуальное понимание, так и точность генерации видео с использованием искусственного интеллекта. Для решения этой проблемы мы представляем ShotBench — всеобъемлющий бенчмарк, специально разработанный для понимания кинематографического языка. Он включает более 3,5 тысяч экспертно аннотированных пар вопросов и ответов, основанных на изображениях и видеоклипах, тщательно отобранных из более чем 200 признанных (преимущественно номинированных на «Оскар») фильмов и охватывающих восемь ключевых аспектов кинематографии. Наша оценка 24 ведущих моделей VLMs на ShotBench выявила их существенные ограничения: даже лучшая модель демонстрирует среднюю точность менее 60%, особенно затрудняясь с детальными визуальными подсказками и сложным пространственным анализом. Для стимулирования прогресса в этой области мы создаем ShotQA — крупномасштабный мультимодальный набор данных, содержащий около 70 тысяч кинематографических пар вопросов и ответов. Используя ShotQA, мы разрабатываем ShotVL с помощью контролируемого тонкого обучения и оптимизации групповой относительной политики. ShotVL значительно превосходит все существующие открытые и проприетарные модели на ShotBench, устанавливая новый уровень производительности. Мы открываем доступ к нашим моделям, данным и коду для ускорения прогресса в этой важной области понимания и генерации кинематографического контента с использованием искусственного интеллекта.

English

Cinematography, the fundamental visual language of film, is essential for conveying narrative, emotion, and aesthetic quality. While recent Vision-Language Models (VLMs) demonstrate strong general visual understanding, their proficiency in comprehending the nuanced cinematic grammar embedded within individual shots remains largely unexplored and lacks robust evaluation. This critical gap limits both fine-grained visual comprehension and the precision of AI-assisted video generation. To address this, we introduce ShotBench, a comprehensive benchmark specifically designed for cinematic language understanding. It features over 3.5k expert-annotated QA pairs from images and video clips, meticulously curated from over 200 acclaimed (predominantly Oscar-nominated) films and spanning eight key cinematography dimensions. Our evaluation of 24 leading VLMs on ShotBench reveals their substantial limitations: even the top-performing model achieves less than 60% average accuracy, particularly struggling with fine-grained visual cues and complex spatial reasoning. To catalyze advancement in this domain, we construct ShotQA, a large-scale multimodal dataset comprising approximately 70k cinematic QA pairs. Leveraging ShotQA, we develop ShotVL through supervised fine-tuning and Group Relative Policy Optimization. ShotVL significantly outperforms all existing open-source and proprietary models on ShotBench, establishing new state-of-the-art performance. We open-source our models, data, and code to foster rapid progress in this crucial area of AI-driven cinematic understanding and generation.

ShotBench: Экспертный уровень понимания кинематографии в моделях обработки зрения и языка

ShotBench: Expert-Level Cinematic Understanding in Vision-Language Models

Аннотация

Support