sports-understanding

RefereeBench 引入了首个大规模基准测试，包含 925 个精心策划的体育视频和 6,475 个问答对，用于评估视频多模态大模型是否能可靠地充当多项运动的裁判。对最先进模型的评估表明，现有多模态大模型表现不佳（准确率≤60%），尽管它们具有通用视频理解能力，但在规则应用和时间定位方面存在困难。