论文页面 - VGenST-Bench：通过主动视频合成进行时空推理的基准测试

来源：https://huggingface.co/papers/2605.22570

摘要

VGenST-Bench 提出了一种视频基准，利用生成模型主动合成受控的时空推理场景，并辅以人工质量控制。

时空推理（https://huggingface.co/papers?q=Spatio-temporal%20reasoning）是现实世界中运行的多模态大语言模型（https://huggingface.co/papers?q=Multimodal%20Large%20Language%20Models）（MLLM）的核心能力。因此，精确评估这一能力已成为一项关键挑战。然而，现有的时空推理（https://huggingface.co/papers?q=spatio-temporal%20reasoning）基准数据集主要依赖静态图像集或被动整理的视频数据，这限制了细粒度推理能力的评估。在本文中，我们介绍了 VGenST-Bench，一个视频基准（https://huggingface.co/papers?q=video%20benchmark），它采用生成模型（https://huggingface.co/papers?q=generative%20models）主动合成高度可控且多样化的评估场景。为了构建 VGenST-Bench，我们提出了一个多智能体流水线（https://huggingface.co/papers?q=multi-agent%20pipeline），并结合了人工质量控制阶段，以确保所有生成视频和问答对的质量。我们建立了一个全面的 3x2x2 视频分类体系（https://huggingface.co/papers?q=video%20taxonomy），涵盖空间尺度、视角和场景动态，以覆盖多样化的场景。此外，我们设计了一个层次化任务套件（https://huggingface.co/papers?q=hierarchical%20task%20suite），将低层视觉感知与高层时空推理（https://huggingface.co/papers?q=spatio-temporal%20reasoning）解耦。通过将范式从被动整理转变为主动合成，VGenST-Bench 能够对 MLLM 中的时空理解进行细粒度诊断。

查看 arXiv 页面（https://arxiv.org/abs/2605.22570）查看 PDF（https://arxiv.org/pdf/2605.22570）项目页面（https://zinosii.github.io/VGenST-Bench/）GitHub4（https://github.com/zinosii/VGenST-Bench）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.22570）

在您的代理中获取此论文：

hf papers read 2605\.22570

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/2605.22570 以在此页面链接它。

引用此论文的数据集1

zino1/VGenST-Bench 查看器 • 更新于3天前 • 11k • 35 (https://huggingface.co/datasets/zino1/VGenST-Bench)

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.22570 以在此页面链接它。

包含此论文的收藏集0

没有收藏集包含此论文

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