CrossVid: A Comprehensive Benchmark for Evaluating Cross-Video Reasoning in Multimodal Large Lang...

CrossVid论文核心总结与翻译

一、主要内容

1. 研究背景：现有视频理解基准多聚焦于单视频分析，无法评估多模态大语言模型（MLLMs）的跨视频推理（CVR）能力——即同时理解多个视频、聚合对比跨视频信息的能力。部分多视角基准仅局限于同一场景的不同视角，难以覆盖真实世界中多样复杂的CVR场景。
2. CrossVid基准构建：
   • 数据集规模：包含5331个视频和9015个高质量问答对，涵盖单选、多选、开放式三种题型，平均每个查询需模型理解约770秒的视频内容。
   • 任务体系：采用分层设计，包含4个高级维度（比较分析、时间理解、多视角推理、自由形式问答）和10个具体任务，覆盖32种视频类型，来源包括Animal Kingdom、YouCook2等6个公开数据集。
   • 标注流程：通过半自动化 pipeline 构建，结合Qwen2.5-VL-72B生成帧描述、DeepSeek-R1生成问答对，经10名专家标注者的过滤、优化和质量控制，确保数据可靠性。
3. 实验与发现：
   • 评估了22个开源和闭源MLLMs（参数规模7B-78B），Gemini-2.5-Pro表现最佳，平均准确率仅50.4%，远低于人类的89.2%。
   • 关键结论：闭源模型显著优于开源模型；具备“思考”机制的模型推理性能更优；输入帧数、思维链（CoT）提示对性能有正向影响，但过量无关帧会引入噪声；现有模型的核心缺