论文页面 - ViMU：视频隐喻理解基准

来源：https://huggingface.co/papers/2605.14607

摘要

视频理解模型缺乏解释字面视觉理解之外的隐含意义和社会语境的能力，因此需要新的基准评测方法。

任何新媒介一经出现，其用途就远超单纯传递表面内容。它所承载的信息通常在两个层面运作：一是直接呈现的内容，二是其下的潜台词——创作者试图通过媒介传达的隐含思想和意图。同样，自从视频技术被广泛采用以来，视频不仅成为记录和传播视觉信息的强大工具，也成为了承载情感、态度和社会意义的载体，而这些往往难以明确表达。因此，许多视频的真正含义并不仅仅存在于屏幕上所展示的内容中，而是常常嵌入在语境、表达风格以及观看者的社会经验之中。某些形式的视频潜台词是幽默的，而另一些则带有讽刺、嘲弄或批评。这些隐含意义在不同文化背景和社会群体中也可能被截然不同地解读。然而，现有的大多数视频理解模型仍然主要关注字面的视觉理解，例如识别对象、动作或时序关系，缺乏系统性地理解视频中嵌入的隐喻、讽刺和社会意义的能力。为弥补这一不足，我们提出了ViMU，这是第一个专门用于系统评估前沿模型在视频中潜台词理解能力的基准。ViMU评估视频理解模型是否能够超越字面感知，推断隐含意义，同时将其解读建立在多模态证据之上，并回答开放式和多项选择题。重要的是，所有问题均为无提示设计，确保在回答前不会向模型透露任何关键证据。

查看arXiv页面 (https://arxiv.org/abs/2605.14607)查看PDF (https://arxiv.org/pdf/2605.14607)项目页面 (https://liqiiiii.github.io/Video-Metaphorical-Understanding/)GitHub10 (https://github.com/LiQiiiii/Video-Metaphorical-Understanding)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.14607)

在你的代理中获取此论文：

hf papers read 2605\.14607

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.14607 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.14607 以从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.14607 以从此页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。