V2P-Bench

该数据集是一个专为评估大规模语言模型在多模态人机交互场景下的视频理解能力而设计的综合性基准测试。它包含了980个独特的视频和1172个问答对。覆盖了5项主要任务和12个维度，这有助于实现与人类认知对齐的实例级细粒度理解。规模上，该数据集拥有980个视频和1172个问答对，任务重点在于视频理解评估以及多模态人机交互。