Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.20960

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.20960 (cs)
[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

Authors:Yiman Zhang, Ziheng Luo, Qiangyu Yan, Wei He, Borui Jiang, Xinghao Chen, Kai Han
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。
摘要: In this paper, we introduce OmniEval, a benchmark for evaluating omni-modality models like MiniCPM-O 2.6, which encompasses visual, auditory, and textual inputs. Compared with existing benchmarks, our OmniEval has several distinctive features: (i) Full-modal collaboration: We design evaluation tasks that highlight the strong coupling between audio and video, requiring models to effectively leverage the collaborative perception of all modalities; (ii) Diversity of videos: OmniEval includes 810 audio-visual synchronized videos, 285 Chinese videos and 525 English videos; (iii) Diversity and granularity of tasks: OmniEval contains 2617 question-answer pairs, comprising 1412 open-ended questions and 1205 multiple-choice questions. These questions are divided into 3 major task types and 12 sub-task types to achieve comprehensive evaluation. Among them, we introduce a more granular video localization task named Grounding. Then we conduct experiments on OmniEval with several omni-modality models. We hope that our OmniEval can provide a platform for evaluating the ability to construct and understand coherence from the context of all modalities. Codes and data could be found at https://omnieval-benchmark.github.io/.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2506.20960 [cs.CV]
  (或者 arXiv:2506.20960v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.20960
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yiman Zhang [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 02:54:24 UTC (948 KB)
[v2] 星期日, 2025 年 6 月 29 日 15:16:22 UTC (948 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号