Neptune

Neptune是由谷歌研究团队创建的一个用于长视频理解的数据集，旨在解决现有数据集多集中于短视频片段的问题。该数据集包含3268个问题-答案-干扰项的标注，涵盖了2405个视频，视频长度从几秒到15分钟不等。数据集的创建过程利用了大规模的视频语言模型（VLMs）和大型语言模型（LLMs），自动生成时间对齐的视频字幕和复杂的问题-答案-干扰项集。Neptune特别强调多模态推理能力，适用于评估模型在长视频中的时间顺序、计数和状态变化等方面的表现，旨在推动更先进的长视频理解模型的开发。

搜集汇总

数据集介绍

构建方式

Neptune数据集的构建采用了一种半自动化的流水线，旨在生成用于理解长视频的复杂问答集。该流水线利用大型视频语言模型（VLMs）和大型语言模型（LLMs）来自动生成密集的时间对齐视频字幕，并为视频片段（最长可达15分钟）生成具有挑战性的问答干扰项（QAD）。整个流程包括视频选择、信号提取、视频级字幕生成、问答干扰项生成以及人工审核验证五个关键阶段。前四个阶段完全自动化，最终通过人工审核确保数据质量。

特点

Neptune数据集的特点在于其广泛的视频推理能力覆盖，涵盖了多模态推理（涉及音频和视觉信息）和非顺序推理（需要回看和重看关键部分）。数据集中的问题设计旨在避免通过单一或少数帧、仅依赖文本的LLMs、仅依赖视频语音转录或外部知识来解答。此外，Neptune还提供了一个强调视觉推理的子集，并支持多选和开放式问答两种评估模式。

使用方法

Neptune数据集可用于评估视频问答模型的性能，特别是针对长视频的理解能力。用户可以通过多选题和开放式问答两种模式进行评估，并使用提供的Gemma Equivalence Metric（GEM）来评分开放式回答。数据集的挑战性在于测试模型在时间顺序、计数和状态变化等问题上的表现，旨在推动更先进的视频理解模型的开发。

背景与挑战

背景概述

Neptune数据集由Google Research的研究团队开发，旨在解决长视频理解中的挑战。该数据集的创建时间可追溯至2024年，主要研究人员包括Arsha Nagrani、Mingda Zhang等，隶属于Google DeepMind。Neptune的核心研究问题是如何在长视频（最长可达15分钟）中进行多模态推理，特别是视频问答（VideoQA）任务。现有的视频数据集大多聚焦于短片段（10秒至30秒），而Neptune通过半自动化的管道生成密集的时间对齐视频字幕和复杂的问题-答案-干扰项集，旨在推动长视频理解模型的进一步发展。该数据集的发布对视频理解领域具有重要意义，尤其是对多模态推理和长视频问答模型的评估提供了新的基准。

当前挑战

Neptune数据集在构建过程中面临多项挑战。首先，长视频理解本身就是一个复杂的任务，涉及多模态信息（如视觉和音频）的融合，且需要模型具备对长时间跨度的推理能力。其次，构建过程中需要解决手动标注的高成本问题，尽管通过自动化工具减少了人工验证的工作量，但仍需确保数据质量。此外，现有的视频问答模型在处理长视频时表现不佳，尤其是在涉及时间顺序、计数和状态变化等问题时。Neptune通过引入新的开放源代码模型评估指标（GEM），旨在解决现有开放式问答评估指标的不足，进一步提升了数据集的挑战性和实用性。

常用场景

经典使用场景

Neptune数据集的经典使用场景主要集中在长视频理解任务中，尤其是在视频问答（VideoQA）领域。该数据集通过生成密集的时间对齐视频字幕和复杂的问题-答案-干扰项（QAD）集，挑战了现有模型在处理长视频时的能力。经典场景包括测试模型在多模态推理、时间顺序推理、状态变化识别等方面的表现，尤其是针对长达15分钟的视频片段。

解决学术问题

Neptune数据集解决了现有视频数据集和模型在处理长视频时的多个学术问题。首先，许多现有数据集和模型主要关注短片段（10-30秒），而Neptune通过引入长达15分钟的视频片段，填补了这一空白。其次，现有长视频数据集通常可以通过强大的图像模型逐帧处理，而Neptune通过生成复杂的多模态问题，迫使模型进行更深层次的视频理解。此外，Neptune还解决了手动标注成本高的问题，通过半自动化的管道生成高质量的标注数据。

衍生相关工作

Neptune数据集的发布催生了一系列相关工作，特别是在长视频理解和视频问答领域。许多研究者基于Neptune数据集开发了新的模型和算法，以应对长视频中的复杂推理任务。例如，一些工作专注于改进多模态推理模型，使其能够更好地处理音频和视频信息的结合；另一些工作则致力于开发新的评估指标，以更准确地衡量模型在长视频理解任务中的表现。此外，Neptune还激发了对现有视频问答基准的重新审视，推动了更全面和多样化的视频理解任务的研究。