Gemini视频推理遥遥领先GPT-4o，Jeff Dean连续转发三次，首个视频多模态基准Video-MME来了

AIGC动态欢迎阅读

原标题：Gemini视频推理遥遥领先GPT-4o，Jeff Dean连续转发三次，首个视频多模态基准Video-MME来了
关键字：视频,模型,字幕,能力,数据
文章来源：量子位
内容字数：0字

内容摘要：

梦晨发自凹非寺量子位 | 公众号 QbitAIOpenAI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

原文链接：Gemini视频推理遥遥领先GPT-4o，Jeff Dean连续转发三次，首个视频多模态基准Video-MME来了