CinePile 长视频理解问答数据集

当前用于长格式视频理解的数据集通常无法提供真正的长格式理解挑战，因为从这些数据集派生的许多任务可以通过分析视频中的一个或几个随机帧来成功解决。为了解决这个问题，研究团队提出了一个新颖的数据集和基准，CinePile，专为真实的长格式视频理解而设计。

Existing datasets for long-form video understanding typically fail to provide genuine challenges for long-form video comprehension, as many tasks derived from these datasets can be successfully solved by analyzing only one or a few random frames from the target video. To address this issue, a research team proposes a novel dataset and benchmark named CinePile, which is specifically designed for authentic long-form video understanding.

搜集汇总

背景与挑战

背景概述

CinePile是一个专为长视频理解设计的问答数据集，包含305,000个多项选择题，涉及时间理解、人物交互和事件推理等多模态任务。该数据集通过LLM和人类交互构建，测试表明当前视频LLM的表现显著落后于人类，凸显了视频理解的复杂性。