MMVU: Измерение понимания видео на уровне эксперта в мультидисциплинарном контексте

MMVU: Measuring Expert-Level Multi-Discipline Video Understanding

January 21, 2025

Авторы: Yilun Zhao, Lujing Xie, Haowei Zhang, Guo Gan, Yitao Long, Zhiyuan Hu, Tongyan Hu, Weiyuan Chen, Chuhan Li, Junyang Song, Zhijian Xu, Chengye Wang, Weifeng Pan, Ziyao Shangguan, Xiangru Tang, Zhenwen Liang, Yixin Liu, Chen Zhao, Arman Cohan

cs.AI

Аннотация

Мы представляем MMVU - комплексный бенчмарк на уровне эксперта, мультидисциплинарный для оценки базовых моделей в понимании видео. MMVU включает 3 000 вопросов с экспертной разметкой, охватывающих 27 предметов из четырех основных дисциплин: Наука, Здравоохранение, Гуманитарные и Социальные науки, и Инженерия. По сравнению с предыдущими бенчмарками, MMVU имеет три ключевых преимущества. Во-первых, он вызывает модели применять знания, специфичные для области, и выполнять экспертное рассуждение для анализа видео в специализированных областях, выходя за пределы базового визуального восприятия, обычно оцениваемого в текущих видео-бенчмарках. Во-вторых, каждый пример размечен экспертами с нуля. Мы реализуем строгие контроли качества данных, чтобы обеспечить высокое качество набора данных. Наконец, каждый пример обогащен экспертными размышлениями и соответствующими знаниями в области, облегчающими глубокий анализ. Мы проводим обширную оценку 32 фронтовых мультимодальных базовых моделей на MMVU. Последние модели, способные к системе-2, o1 и Gemini 2.0 Flash Thinking, достигают наивысшей производительности среди протестированных моделей. Однако они все еще не дотягивают до уровня человеческой экспертизы. Через глубокий анализ ошибок и кейс-стади мы предлагаем действенные идеи для будущих усовершенствований в понимании видео на уровне эксперта, требующем большого объема знаний, для специализированных областей.

English

We introduce MMVU, a comprehensive expert-level, multi-discipline benchmark for evaluating foundation models in video understanding. MMVU includes 3,000 expert-annotated questions spanning 27 subjects across four core disciplines: Science, Healthcare, Humanities & Social Sciences, and Engineering. Compared to prior benchmarks, MMVU features three key advancements. First, it challenges models to apply domain-specific knowledge and perform expert-level reasoning to analyze specialized-domain videos, moving beyond the basic visual perception typically assessed in current video benchmarks. Second, each example is annotated by human experts from scratch. We implement strict data quality controls to ensure the high quality of the dataset. Finally, each example is enriched with expert-annotated reasoning rationals and relevant domain knowledge, facilitating in-depth analysis. We conduct an extensive evaluation of 32 frontier multimodal foundation models on MMVU. The latest System-2-capable models, o1 and Gemini 2.0 Flash Thinking, achieve the highest performance among the tested models. However, they still fall short of matching human expertise. Through in-depth error analyses and case studies, we offer actionable insights for future advancements in expert-level, knowledge-intensive video understanding for specialized domains.