CLIP-CC-Bench 评估段落级视频描述能力
CLIP-CC-Bench 是一个用于评估长篇视频描述生成能力的基准，旨在弥补现有评测主要关注短视频片段、单句指标或问答任务的不足。该基准包含 5 小时电影内容，划分为 90 秒片段，每个片段都配有专家撰写的段落式参考描述。研究使用 5 个基于大语言模型的嵌入模型，并结合粗粒度和细粒度语义匹配方法，对 17 个视频语言模型进行评估。同时，研究还分析了评审者间一致性和排名稳定性。评估脚本、模型输出及结果汇总工具已公开，以支持研究复现。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。