Video-IFBench评估多模态大语言模型在视频理解中的指令遵循能力
该研究提出Video-IFBench，用于评估多模态大语言模型在视频理解过程中遵循指令的能力。基准包含1500个样本、32种任务类型，以及涵盖语义和格式要求的39类约束。研究人员测试了20多个近期模型，结果显示，当前模型在处理包含大量约束、语义要求，或需要根据视频和音频内容选择正确条件分支的复杂指令时，仍然面临明显困难。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。