计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月26日
(v1)
,最后修订 2025年6月29日 (此版本, v2)]
标题: OmniEval:一个用于评估具有视觉、听觉和文本输入的全模态模型的基准
标题: OmniEval: A Benchmark for Evaluating Omni-modal Models with Visual, Auditory, and Textual Inputs
摘要: 在本文中,我们介绍了OmniEval,这是一个用于评估像MiniCPM-O 2.6这样的全模态模型的基准测试,它涵盖了视觉、听觉和文本输入。 与现有的基准测试相比,我们的OmniEval有几个独特的特点:(i)全模态协作:我们设计了突出音频和视频之间强耦合的评估任务,要求模型有效利用所有模态的协作感知;(ii)视频的多样性:OmniEval包含810个音视频同步视频,其中285个中文视频和525个英文视频;(iii)任务的多样性和粒度:OmniEval包含2617对问答,包括1412个开放性问题和1205个多选题。 这些问题分为3大类任务类型和12个小任务类型,以实现全面评估。 其中,我们引入了一个更细粒度的视频定位任务,名为Grounding。 然后我们使用几种全模态模型在OmniEval上进行了实验。 我们希望我们的OmniEval能为评估从所有模态上下文中构建和理解连贯性的能力提供一个平台。 代码和数据可在https://omnieval-benchmark.github.io/找到。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.