Video Reasoning Identity Matching Multimodal LLMs Benchmark
摘要

现实世界的视频推理常涉及多模态、多源输入,而现有任务通常假设简化的视频-文本设置,限制了身份匹配和以人为中心的推理。为此,我们引入了身份条件查询(ICQ)任务,要求模型联合关联并解释输入视频与人物参考图像,利用此条件解决身份定位、行为理解和时序推理等挑战。基于ICQ,我们提出了ISYV系统,包含具有六个难度级别的基准测试ISYV-Bench、大规模训练集ISYV-75K以及ISYV-Framework。实验表明主流多模态大模型在该基准上表现不佳,而ISYV模型优于强基线。

AI 推荐理由

论文核心聚焦于视频中的身份匹配、行为理解及因果推理,直接评估和提升多模态模型的复杂推理能力。

研究机构
北京交通大学 华为数字媒体与娱乐集团 自动化研究所,中国科学院 计算机科学与技术学院,中国科学院大学 电子与信息工程学院,同济大学 计算与通信学院,兰卡斯特大学
论文信息
作者 Shibo Gao, Chongxiao Wang, Chenglong Huang, Jie Ma, Haolin Shi et al.
发布日期 2026-08-07
arXiv ID 2608.07417
相关性评分 9/10 (高度相关)