论文页面 - Video-MME-Logical：面向视频时间-逻辑推理的受控诊断基准

来源：https://huggingface.co/papers/2606.27828

摘要

一个新的基准通过受控的时间-逻辑操作（而非简单的物体识别），评估多模态大语言模型对动态视觉证据进行推理的能力。

当前对多模态大语言模型 (MLLMs)（https://huggingface.co/papers?q=multimodal%20large%20language%20models）的研究兴趣引发了一个核心问题：它们能否对动态视觉证据进行推理，而不仅仅是识别单帧中的物体或事件？我们将这种能力称为视频时间-逻辑推理（https://huggingface.co/papers?q=video%20temporal-logical%20reasoning），它要求模型在视觉状态随帧演变时维持、更新并组合证据。现有视频基准常将这种能力与场景复杂度、静态识别或不受控的时间变化混为一谈。为了分离并评估这种能力，我们提出了 Video-MME-Logical（https://huggingface.co/papers?q=Video-MME-Logical），一个围绕五种时间-逻辑操作（https://huggingface.co/papers?q=temporal-logical%20operations）组织的受控基准：状态追踪（https://huggingface.co/papers?q=state%20tracking）、顺序计数（https://huggingface.co/papers?q=sequential%20counting）、时间排序（https://huggingface.co/papers?q=temporal%20ordering）、动态空间关系（https://huggingface.co/papers?q=dynamic%20spatiality）和结构组合（https://huggingface.co/papers?q=structural%20composition）。该基准包含25个细粒度任务类别，通过受控的物体状态、转换、时间依赖和逻辑组合生成。它允许通过改变时间范围和推理复杂度进行难度可控的最终答案评估，并支持中间状态诊断——验证模型在产生最终答案之前是否恢复了所需的逻辑推理轨迹。对当前最先进 MLLMs 的实验揭示了显著的人机差距，尤其是在时间-逻辑复杂度增加时。在多达50万个生成样本上进行的有监督微调（https://huggingface.co/papers?q=Supervised%20fine-tuning）虽能提升性能，但不足以弥合推理鸿沟，将 Video-MME-Logical（https://huggingface.co/papers?q=Video-MME-Logical）定位为分析和改进 MLLMs 时间-逻辑推理的可扩展测试平台。

查看 arXiv 页面 (https://arxiv.org/abs/2606.27828)
查看 PDF (https://arxiv.org/pdf/2606.27828)
项目页面 (https://mrakas.github.io/video-mme-logical)
GitHub 0 (https://github.com/Mrakas/video-mme-logical)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.27828)

在你的 agent 中获取该论文：

hf papers read 2606.27828

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

引用本论文的模型 0

无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.27828，以便从此页面链接。

引用本论文的数据集 0

无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.27828，以便从此页面链接。

引用本论文的 Spaces 0

无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.27828，以便从此页面链接。

包含本论文的合集 0

无合集包含此论文

请将该论文添加到一个合集（https://huggingface.co/new-collection）中，以便从此页面链接。