Gemini视频推理遥遥领先GPT-4o，首个视频多模态基准Video-MME|gpt-4|mme|上下文|模态|视频推理

梦晨发自凹非寺
量子位 | 公众号 QbitAI

OpenAI和谷歌接连两场发布会，把AI视频推理卷到新高度。

但业界还缺少可以全面评估大模型视频推理能力的基准。

终于，多模态大模型视频分析综合评估基准Video-MME，全面评估多模态大模型的综合视频理解能力，填补了这一领域的空白。

Gemini 1.5 Pro在这份榜单中遥遥领先，显示出在视频理解领域的“霸主”地位。Video-MME一经推出，被谷歌首席科学家Jeff Dean连续转发了三次。

GPT-4o、谷歌Gemini 1.5 Pro标榜的视频推理能力终于在全新的、更复杂的多模态基准Video-MME上首次得到了验证。

同时，各大公司以及研究机构，例如NVIDIA、ByteDance等模型也加入了混战。

Video-MME由中科大、厦大、港中文等高校联合推出，代码和数据集均已开源。

全人工标注高质量数据集

该基准采取全人工标注，具有区别于现有数据集的显著特点。在以下的例子中，准确回答该问题需要同时从视觉、字幕以及音频中同时获取信息，有效信息直接横跨30分钟的间隔：

Video-MME具有以下显著特点：

时间维度的广泛性：视频时长从11秒到1小时不等，涵盖短（<2分钟）、中（4-15分钟）、长（30-60分钟）三种不同的视频时长，全面评估模型在不同时间跨度下的上下文多模态理解能力；

数据模态的丰富性：除了视频帧，Video-MME还整合了字幕和音频模态输入，全面评估大模型的多模态处理能力；

视频类型的多样性：覆盖了知识、影视、体育、艺术、生活记录和多语言6个主要领域，涉及30个细粒度子领域；

注释质量的高标准：900个视频，共254小时的内容由具备大模型背景的专业人员手动标注与验证，产生了2,700个问答对。问题类型涵盖感知、认知和总结概括等12种类型；

可靠的有效时长（Certificate Length准确回答问题所需的最短时长）：对于短视频、中视频和长视频，Video-MME数据集的有效时长中位数分别为26.0秒、164.7秒和890.7秒，要求模型消化更长的视频内容才能回答问题；

全面的实验评估：文章选取了6种代表性的开源视频语言模型以及闭源模型Gemini 1.5 Pro和GPT-4V/o进行全面的实验分析。同时文章还选取了基于图片的多模态大模型进行评测（泛化到多图输入），证明其同时适用于图片&视频多模态大模型。

文章选取了多种代表性的开源视频多模态大模型，包括ST-LLM、VideoChat2-Mistral、Chat-UniVi-V1.5、LLaVA-NeXT-Video和VILA-1.5，以及闭源模型Gemini和GPT-4V/o 。同时，基于图片的多模态大模型包括Qwen-VL-Chat、Qwen-VL-Max和InternVL-Chat-V1.5。

在商业模型中，Gemini 1.5 Pro在视频理解方面表现突出，在加以字幕辅助的情况下以81.3%的准确率领先，并在与GPT-4V和GPT-o的对比中分别超出18%和4.1%。

尽管随着视频时长增加，其表现略有下降，但在长视频上的表现（加字幕）优于所有开源模型在短视频上的表现。

同时，Gemini 1.5 Pro还支持音频模态的输入，模态支持的更广。而在开源模型中，来自NVIDIA的VILA-1.5以59.4%的准确率表现最佳。然而，相比Gemini 1.5 Pro，VILA-1.5在计数问题、动作识别和时间感知方面仍然存在显著差距。