MMVU: 전문가 수준의 다학제 비디오 이해 측정

MMVU: Measuring Expert-Level Multi-Discipline Video Understanding

January 21, 2025

저자: 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

초록

MMVU를 소개합니다. MMVU는 비디오 이해의 기초 모델을 평가하기 위한 포괄적인 전문가 수준의 다학제 벤치마크입니다. MMVU에는 4개의 핵심 학문 분야(과학, 의료, 인문 및 사회과학, 공학)를 포함한 27개 주제를 아우르는 3,000개의 전문가 주석이 달린 질문이 포함되어 있습니다. 이전 벤치마크와 비교하여 MMVU는 세 가지 주요 진전을 보여줍니다. 첫째, 모델에게 도메인별 지식을 적용하고 전문가 수준의 추론을 수행하여 특정 도메인 비디오를 분석하도록 도전합니다. 이는 현재의 비디오 벤치마크에서 일반적으로 평가되는 기본적인 시각 지각을 넘어섭니다. 둘째, 각 예제는 인간 전문가에 의해 처음부터 주석이 달립니다. 우리는 데이터 품질의 높은 수준을 보장하기 위해 엄격한 데이터 품질 관리를 시행합니다. 마지막으로, 각 예제는 전문가 주석이 달린 추론 근거와 관련 도메인 지식으로 보강되어 깊은 분석을 용이하게 합니다. 우리는 MMVU에서 32개의 최첨단 다중모달 기초 모델에 대한 포괄적인 평가를 실시했습니다. 최신의 System-2-capable 모델인 o1 및 Gemini 2.0 Flash Thinking이 테스트된 모델 중에서 가장 높은 성능을 달성했습니다. 그러나 이러한 모델들은 여전히 인간 전문가의 수준에 미치지 못합니다. 깊은 오류 분석과 사례 연구를 통해 우리는 향후 전문가 수준의, 지식 중심의 특정 도메인 비디오 이해 분야에서의 발전을 위한 실행 가능한 통찰을 제공합니다.

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.