行業(yè)唯一!海爾熱聲熱泵技術(shù)獲全國顛覆性技術(shù)創(chuàng)新大賽最高獎OPPO A5 Pro首創(chuàng)獵手天線架構(gòu):信號能穿十堵墻一加 Ace 5 Pro首發(fā)電競Wi-Fi芯片G1 帶來「穿墻王」和「搶網(wǎng)王」般的網(wǎng)絡(luò)體驗(yàn)電視市場又出黑馬!TCL同檔Mini LED音畫王P12K,萬象分區(qū)打造超強(qiáng)控光!零下25℃如何取暖?海爾水暖通溫暖驛站亮相冰雪大世界馬太效應(yīng),強(qiáng)者恒強(qiáng)?——《中國企業(yè)科創(chuàng)力研究報(bào)告(2024)》美團(tuán)年度報(bào)告竟然用上了AI和短劇?這下是真出圈了消息稱上汽大眾正開發(fā)三款新車,技術(shù)分別來自小鵬、智己和榮威鴻蒙智行泊車代駕VPD正式開啟全量推送!升級自動泊車/接駕等多項(xiàng)功能華為官方翻新手機(jī)最高降價(jià)4000元曝蘋果研發(fā)帶Face ID的智能家居門鈴:內(nèi)置自研W-Fi芯片李斌回應(yīng)螢火蟲外觀設(shè)計(jì):看過實(shí)車的人都喜歡這個(gè)設(shè)計(jì)林杰:未來 A 級、A0 級、A00 級車型都將是領(lǐng)克純電的“主場”豐巢存包柜亮相南寧地鐵站,助力城市韌性建設(shè)與智慧出行萬象分區(qū)、絢彩XDR、量子點(diǎn)Pro 2025齊出手,TCL引領(lǐng)觀影體驗(yàn)新變革!QQ音樂年度聽歌報(bào)告發(fā)布:誰是你最喜歡的歌手?OpenAI正式發(fā)布o(jì)3 - 通往AGI的路上,已經(jīng)沒有了任何阻礙「送禮物」難撬動社交電商,微信小店缺的是供給微軟Phi-4封神,14B小模型數(shù)學(xué)擊敗GPT-4o,合成數(shù)據(jù)占比40%,36頁技術(shù)報(bào)告出爐2024年結(jié)束,哪里是原創(chuàng)動畫的應(yīng)許之地?
  • 首頁 > 云計(jì)算頻道 > 大模型

    Gemini視頻推理遙遙領(lǐng)先GPT-4o,Jeff Dean連續(xù)轉(zhuǎn)發(fā)三次,首個(gè)視頻多模態(tài)基準(zhǔn)Video-MME來了

    2024年06月18日 09:31:44   來源:量子位公眾號

      OpenAI和谷歌接連兩場發(fā)布會,把AI視頻推理卷到新高度。

      但業(yè)界還缺少可以全面評估大模型視頻推理能力的基準(zhǔn)。

      終于,多模態(tài)大模型視頻分析綜合評估基準(zhǔn)Video-MME,全面評估多模態(tài)大模型的綜合視頻理解能力,填補(bǔ)了這一領(lǐng)域的空白。

      Gemini 1.5 Pro在這份榜單中遙遙領(lǐng)先,顯示出在視頻理解領(lǐng)域的“霸主”地位。Video-MME一經(jīng)推出,被谷歌首席科學(xué)家Jeff Dean連續(xù)轉(zhuǎn)發(fā)了三次

      GPT-4o、谷歌Gemini 1.5 Pro標(biāo)榜的視頻推理能力終于在全新的、更復(fù)雜的多模態(tài)基準(zhǔn)Video-MME上首次得到了驗(yàn)證。

      同時(shí),各大公司以及研究機(jī)構(gòu),例如NVIDIA、ByteDance等模型也加入了混戰(zhàn)。

      Video-MME由中科大、廈大、港中文等高校聯(lián)合推出,代碼和數(shù)據(jù)集均已開源。

      全人工標(biāo)注高質(zhì)量數(shù)據(jù)集

      該基準(zhǔn)采取全人工標(biāo)注,具有區(qū)別于現(xiàn)有數(shù)據(jù)集的顯著特點(diǎn)。在以下的例子中,準(zhǔn)確回答該問題需要同時(shí)從視覺、字幕以及音頻中同時(shí)獲取信息,有效信息直接橫跨30分鐘的間隔:

      Video-MME具有以下顯著特點(diǎn):

      時(shí)間維度的廣泛性:視頻時(shí)長從11秒到1小時(shí)不等,涵蓋短(<2分鐘)、中(4-15分鐘)、長(30-60分鐘)三種不同的視頻時(shí)長,全面評估模型在不同時(shí)間跨度下的上下文多模態(tài)理解能力;

      數(shù)據(jù)模態(tài)的豐富性:除了視頻幀,Video-MME還整合了字幕和音頻模態(tài)輸入,全面評估大模型的多模態(tài)處理能力;

      視頻類型的多樣性:覆蓋了知識、影視、體育、藝術(shù)、生活記錄和多語言6個(gè)主要領(lǐng)域,涉及30個(gè)細(xì)粒度子領(lǐng)域;

      注釋質(zhì)量的高標(biāo)準(zhǔn):900個(gè)視頻,共254小時(shí)的內(nèi)容由具備大模型背景的專業(yè)人員手動標(biāo)注與驗(yàn)證,產(chǎn)生了2,700個(gè)問答對。問題類型涵蓋感知、認(rèn)知和總結(jié)概括等12種類型;

      可靠的有效時(shí)長 (Certificate Length準(zhǔn)確回答問題所需的最短時(shí)長):對于短視頻、中視頻和長視頻,Video-MME數(shù)據(jù)集的有效時(shí)長中位數(shù)分別為26.0秒、164.7秒和890.7秒,要求模型消化更長的視頻內(nèi)容才能回答問題;

    圖片

      全面的實(shí)驗(yàn)評估:文章選取了6種代表性的開源視頻語言模型以及閉源模型Gemini 1.5 Pro和GPT-4V/o進(jìn)行全面的實(shí)驗(yàn)分析。同時(shí)文章還選取了基于圖片的多模態(tài)大模型進(jìn)行評測(泛化到多圖輸入),證明其同時(shí)適用于圖片&視頻多模態(tài)大模型。

      文章選取了多種代表性的開源視頻多模態(tài)大模型,包括ST-LLM、VideoChat2-Mistral、Chat-UniVi-V1.5、LLaVA-NeXT-Video和VILA-1.5,以及閉源模型Gemini和GPT-4V/o 。同時(shí),基于圖片的多模態(tài)大模型包括Qwen-VL-Chat、Qwen-VL-Max和InternVL-Chat-V1.5。

      在商業(yè)模型中,Gemini 1.5 Pro在視頻理解方面表現(xiàn)突出,在加以字幕輔助的情況下以81.3%的準(zhǔn)確率領(lǐng)先,并在與GPT-4V和GPT-o的對比中分別超出18%和4.1%。

      盡管隨著視頻時(shí)長增加,其表現(xiàn)略有下降,但在長視頻上的表現(xiàn)(加字幕)優(yōu)于所有開源模型在短視頻上的表現(xiàn)。

      同時(shí),Gemini 1.5 Pro還支持音頻模態(tài)的輸入,模態(tài)支持的更廣。而在開源模型中,來自NVIDIA的VILA-1.5以59.4%的準(zhǔn)確率表現(xiàn)最佳。然而,相比Gemini 1.5 Pro,VILA-1.5在計(jì)數(shù)問題、動作識別和時(shí)間感知方面仍然存在顯著差距。

      同時(shí),隨著視頻時(shí)長的增加,所有模型的表現(xiàn)均呈現(xiàn)明顯的下降趨勢,這也說明面對更長的上下文記憶以及更為復(fù)雜的任務(wù)時(shí)模型還有很大的提升空間。此外,實(shí)驗(yàn)還揭示了字幕和音頻信息能顯著增強(qiáng)視頻理解能力,尤其是對于長視頻的理解。

      在三十種不同類型的視頻上,Gemini 1.5 Pro展現(xiàn)出不同的性能。例如,有的任務(wù)對字幕和語音的依賴程度更高,如Basketball的長視頻,加上字幕和語音能夠顯著提升性能。詳細(xì)的實(shí)驗(yàn)結(jié)果請參照論文原文。

      綜合實(shí)驗(yàn)結(jié)果可以看出,當(dāng)前的多模態(tài)大模型在視頻理解,尤其是長視頻理解方向仍然有很長進(jìn)步空間,一方面是要提升模型的多模態(tài)長上下文理解能力,Gemini 1.5 Pro最高支持百萬長度的上下文窗口,這是其表現(xiàn)優(yōu)異的依仗,另一方面也亟需構(gòu)建相應(yīng)的高質(zhì)量長視頻理解數(shù)據(jù)集,這方面當(dāng)下仍處于空白。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。

    即時(shí)

    新聞

    明火炊具市場:三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。

    3C消費(fèi)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實(shí)力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡直是創(chuàng)作者們的首選。

    研究

    中國信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標(biāo)識解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標(biāo)識解析專題論壇在沈陽成功舉辦。