本研究提出WorldSense，这是首个评估多模态视频理解的基准，涵盖视觉、音频和文本输入。WorldSense包含1662个视频和3172个多项选择问答，显著提升了真实场景理解的评估质量，推动了多模态理解研究的发展。

WorldSense: Evaluating Real-World Omnimodal Understanding for Multimodal Large Language Models
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证