论文页面 - VideoGAIA：通用AI助手的智能体视频理解基准

来源：https://huggingface.co/papers/2608.14718

摘要

VideoGAIA 推出了一个多轮、工具增强的基准，通过复杂的真实世界任务评估先进多模态模型的智能体视频理解能力。

视频理解是评估多模态大语言模型（https://huggingface.co/papers?q=multimodal%20large%20language%20models）（MLLMs）能力的基础任务。然而，现有领先模型在 Video-MME 排行榜上已达到约 90% 的准确率，这表明传统的单轮视频理解任务正变得日益饱和，不足以评估先进 MLLMs 的智能水平。为此，我们推出了 VideoGAIA（https://huggingface.co/papers?q=VideoGAIA），这是一个面向通用人工智能（AI）助手的智能体视频理解（https://huggingface.co/papers?q=agentic%20video%20understanding）基准。VideoGAIA（https://huggingface.co/papers?q=VideoGAIA）超越了单次视频问答，将视频理解构建为一个多轮、工具增强的交互（https://huggingface.co/papers?q=tool-augmented%20interaction）过程，模型必须迭代地感知视频、调用外部工具、收集补充信息，并在不同轮次间整合多模态证据。VideoGAIA（https://huggingface.co/papers?q=VideoGAIA）包含 271 个由模型与人类共同设计的任务，覆盖了多样化且复杂的真实世界场景。每个视频-问题-答案实例都经过三位人类专家的独立验证，以确保其正确性和适当的难度。所有评估的 MLLMs，包括前沿模型如 GPT-5.5 和 Kimi-K3，在 VideoGAIA（https://huggingface.co/papers?q=VideoGAIA）上的准确率均低于 60%，这凸显了其作为评估下一代 MLLMs 的高质量且及时基准的价值。我们希望 VideoGAIA（https://huggingface.co/papers?q=VideoGAIA）能促进从传统视频理解向智能体视频理解（https://huggingface.co/papers?q=agentic%20video%20understanding）的过渡。

查看 arXiv 页面 (https://arxiv.org/abs/2608.14718) 查看 PDF (https://arxiv.org/pdf/2608.14718) GitHub (https://github.com/zfkarl/VideoGAIA) 添加至收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2608.14718)

在您的智能体中获取本文：

hf papers read 2608\.14718

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

引用本文的模型 0

无模型关联此论文 在模型的 README.md 中引用 arxiv.org/abs/2608.14718 以从此页面链接到该模型。

引用本文的数据集 0

无数据集关联此论文 在数据集的 README.md 中引用 arxiv.org/abs/2608.14718 以从此页面链接到该数据集。

引用本文的 Space 0

无 Space 关联此论文 在 Space 的 README.md 中引用 arxiv.org/abs/2608.14718 以从此页面链接到该 Space。

包含本文的收藏集 0

无收藏集包含此论文 将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接到它。