E.T. Bench，一个大规模，高质量，场景开放的事件级视频时序理解测试基准，专注于长视频和多事件视频的细粒度时序理解

文章预览

关注公众号，发现CV技术之美 本篇分享论文 E.T. Bench: Towards Open-Ended Event-Level Video-Language Understanding ，提出E.T. Bench，一个大规模，高质量，场景开放的事件级视频时序理解测试基准，专注于长视频和多事件视频的细粒度时序理解。 论文链接：https://arxiv.org/abs/2409.18111 代码链接：https://github.com/PolyU-ChenLab/ETBench 1.引言 多模态大模型的出现引发了视觉-语言理解领域的重大范式转变。多模态大模型通过融合先进的视觉编码器与大语言模型，获得了优越的多模态感知和推理能力。 为了全面地评估这些模型的能力，诸多图像/视频理解测试基准被构建出来。其中，视频理解测试基准上的测试结果表明，多模态大模型已经在视频理解任务上展现出了巨大潜力。 然而，现有视频理解测试基准主要依赖视频级问答评测模型表现，缺乏细粒度的事件级问答，这使得它 ………………………………