Video-MMLU: A Massive Multi-Discipline Lecture Understanding Benchmark
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Song, Enxin, Chai, Wenhao, Xu, Weili, Xie, Jianwen, Liu, Yuxuan, Wang, Gaoang |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
AuroraLong: Bringing RNNs Back to Efficient Open-Ended Video Understanding
par: Xu, Weili, et autres
Publié: (2025)
par: Xu, Weili, et autres
Publié: (2025)
VideoNSA: Native Sparse Attention Scales Video Understanding
par: Song, Enxin, et autres
Publié: (2025)
par: Song, Enxin, et autres
Publié: (2025)
MovieChat+: Question-aware Sparse Memory for Long Video Question Answering
par: Song, Enxin, et autres
Publié: (2024)
par: Song, Enxin, et autres
Publié: (2024)
LLaVA-Ultra: Large Chinese Language and Vision Assistant for Ultrasound
par: Guo, Xuechen, et autres
Publié: (2024)
par: Guo, Xuechen, et autres
Publié: (2024)
MMVU: Measuring Expert-Level Multi-Discipline Video Understanding
par: Zhao, Yilun, et autres
Publié: (2025)
par: Zhao, Yilun, et autres
Publié: (2025)
Hand3R: Online 4D Hand-Scene Reconstruction in the Wild
par: Hu, Wendi, et autres
Publié: (2026)
par: Hu, Wendi, et autres
Publié: (2026)
CMMMU: A Chinese Massive Multi-discipline Multimodal Understanding Benchmark
par: Zhang, Ge, et autres
Publié: (2024)
par: Zhang, Ge, et autres
Publié: (2024)
MDK12-Bench: A Multi-Discipline Benchmark for Evaluating Reasoning in Multimodal Large Language Models
par: Zhou, Pengfei, et autres
Publié: (2025)
par: Zhou, Pengfei, et autres
Publié: (2025)
ProJudge: A Multi-Modal Multi-Discipline Benchmark and Instruction-Tuning Dataset for MLLM-based Process Judges
par: Ai, Jiaxin, et autres
Publié: (2025)
par: Ai, Jiaxin, et autres
Publié: (2025)
MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI
par: Yue, Xiang, et autres
Publié: (2023)
par: Yue, Xiang, et autres
Publié: (2023)
HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding
par: Cai, Yuxuan, et autres
Publié: (2025)
par: Cai, Yuxuan, et autres
Publié: (2025)
H2VU-Benchmark: A Comprehensive Benchmark for Hierarchical Holistic Video Understanding
par: Wu, Qi, et autres
Publié: (2025)
par: Wu, Qi, et autres
Publié: (2025)
Do We Really Need a Complex Agent System? Distill Embodied Agent into a Single Model
par: Zhao, Zhonghan, et autres
Publié: (2024)
par: Zhao, Zhonghan, et autres
Publié: (2024)
MT-Video-Bench: A Holistic Video Understanding Benchmark for Evaluating Multimodal LLMs in Multi-Turn Dialogues
par: Pan, Yaning, et autres
Publié: (2025)
par: Pan, Yaning, et autres
Publié: (2025)
Spatial Understanding from Videos: Structured Prompts Meet Simulation Data
par: Zhang, Haoyu, et autres
Publié: (2025)
par: Zhang, Haoyu, et autres
Publié: (2025)
MovieChat: From Dense Token to Sparse Memory for Long Video Understanding
par: Song, Enxin, et autres
Publié: (2023)
par: Song, Enxin, et autres
Publié: (2023)
DynaHOI: Benchmarking Hand-Object Interaction for Dynamic Target
par: Hu, BoCheng, et autres
Publié: (2026)
par: Hu, BoCheng, et autres
Publié: (2026)
Learning Multi-modal Representations by Watching Hundreds of Surgical Video Lectures
par: Yuan, Kun, et autres
Publié: (2023)
par: Yuan, Kun, et autres
Publié: (2023)
VideoRouter: Query-Adaptive Dual Routing for Efficient Long-Video Understanding
par: Lin, Kuanwei, et autres
Publié: (2026)
par: Lin, Kuanwei, et autres
Publié: (2026)
LVBench: An Extreme Long Video Understanding Benchmark
par: Wang, Weihan, et autres
Publié: (2024)
par: Wang, Weihan, et autres
Publié: (2024)
Progressive Energy-Based Cooperative Learning for Multi-Domain Image-to-Image Translation
par: Song, Weinan, et autres
Publié: (2023)
par: Song, Weinan, et autres
Publié: (2023)
MLVU: Benchmarking Multi-task Long Video Understanding
par: Zhou, Junjie, et autres
Publié: (2024)
par: Zhou, Junjie, et autres
Publié: (2024)
SIV-Bench: A Video Benchmark for Social Interaction Understanding and Reasoning
par: Kong, Fanqi, et autres
Publié: (2025)
par: Kong, Fanqi, et autres
Publié: (2025)
M$^3$-Med: A Benchmark for Multi-lingual, Multi-modal, and Multi-hop Reasoning in Medical Instructional Video Understanding
par: Liu, Shenxi, et autres
Publié: (2025)
par: Liu, Shenxi, et autres
Publié: (2025)
Uncovering What, Why and How: A Comprehensive Benchmark for Causation Understanding of Video Anomaly
par: Du, Hang, et autres
Publié: (2024)
par: Du, Hang, et autres
Publié: (2024)
PinpointQA: A Dataset and Benchmark for Small Object-Centric Spatial Understanding in Indoor Videos
par: Zhou, Zhiyu, et autres
Publié: (2026)
par: Zhou, Zhiyu, et autres
Publié: (2026)
BlobGEN-Vid: Compositional Text-to-Video Generation with Blob Video Representations
par: Feng, Weixi, et autres
Publié: (2025)
par: Feng, Weixi, et autres
Publié: (2025)
HLV-1K: A Large-scale Hour-Long Video Benchmark for Time-Specific Long Video Understanding
par: Zou, Heqing, et autres
Publié: (2025)
par: Zou, Heqing, et autres
Publié: (2025)
MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding
par: Li, Zekun, et autres
Publié: (2024)
par: Li, Zekun, et autres
Publié: (2024)
EGOILLUSION: Benchmarking Hallucinations in Egocentric Video Understanding
par: Seth, Ashish, et autres
Publié: (2025)
par: Seth, Ashish, et autres
Publié: (2025)
AuroraCap: Efficient, Performant Video Detailed Captioning and a New Benchmark
par: Chai, Wenhao, et autres
Publié: (2024)
par: Chai, Wenhao, et autres
Publié: (2024)
IPFormer-VideoLLM: Enhancing Multi-modal Video Understanding for Multi-shot Scenes
par: Liang, Yujia, et autres
Publié: (2025)
par: Liang, Yujia, et autres
Publié: (2025)
See, Act, Adapt: Active Perception for Unsupervised Cross-Domain Visual Adaptation via Personalized VLM-Guided Agent
par: Tang, Tianci, et autres
Publié: (2026)
par: Tang, Tianci, et autres
Publié: (2026)
Hi-LSplat: Hierarchical 3D Language Gaussian Splatting
par: Zhan, Chenlu, et autres
Publié: (2025)
par: Zhan, Chenlu, et autres
Publié: (2025)
Long Video Diffusion Generation with Segmented Cross-Attention and Content-Rich Video Data Curation
par: Yan, Xin, et autres
Publié: (2024)
par: Yan, Xin, et autres
Publié: (2024)
Generating Narrated Lecture Videos from Slides with Synchronized Highlights
par: Holmberg, Alexander
Publié: (2025)
par: Holmberg, Alexander
Publié: (2025)
ELV-Halluc: Benchmarking Semantic Aggregation Hallucinations in Long Video Understanding
par: Lu, Hao, et autres
Publié: (2025)
par: Lu, Hao, et autres
Publié: (2025)
VERIFIED: A Video Corpus Moment Retrieval Benchmark for Fine-Grained Video Understanding
par: Chen, Houlun, et autres
Publié: (2024)
par: Chen, Houlun, et autres
Publié: (2024)
Symphony: A Cognitively-Inspired Multi-Agent System for Long-Video Understanding
par: Yan, Haiyang, et autres
Publié: (2026)
par: Yan, Haiyang, et autres
Publié: (2026)
v-HUB: A Benchmark for Video Humor Understanding from Vision and Sound
par: Shi, Zhengpeng, et autres
Publié: (2025)
par: Shi, Zhengpeng, et autres
Publié: (2025)
Documents similaires
-
AuroraLong: Bringing RNNs Back to Efficient Open-Ended Video Understanding
par: Xu, Weili, et autres
Publié: (2025) -
VideoNSA: Native Sparse Attention Scales Video Understanding
par: Song, Enxin, et autres
Publié: (2025) -
MovieChat+: Question-aware Sparse Memory for Long Video Question Answering
par: Song, Enxin, et autres
Publié: (2024) -
LLaVA-Ultra: Large Chinese Language and Vision Assistant for Ultrasound
par: Guo, Xuechen, et autres
Publié: (2024) -
MMVU: Measuring Expert-Level Multi-Discipline Video Understanding
par: Zhao, Yilun, et autres
Publié: (2025)