論文の概要: TAKE 85: Testing Audiovisual filmmaKer's intEnt across 85 Hours of Film

• arxiv url: http://arxiv.org/abs/2608.30068v2
• Date: Wed, 02 Sep 2026 20:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 13:51:58.169216
• Title: TAKE 85: Testing Audiovisual filmmaKer's intEnt across 85 Hours of Film
• Title（参考訳）: TAKE 85:85時間フィルムでオーディオ映像映画Ker's intEntをテスト
• Abstract要約: 映画は、照明、色、作曲、編集、対話、音楽、音など、意図的な創造的な選択を通じてコミュニケーションする。 我々は,398本の短編映画(85時間)と,世界規模および微粒な視覚的および音声的意図にまたがる専門家による質問応答対を含む,ディレクトリインテリジェンス理解のための最初のベンチマークであるTAKE 85を紹介する。
• 参考スコア（独自算出の注目度）: 42.172316618334776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Films communicate through deliberate creative choices, including lighting, color, composition, editing, dialogue, music, and sound. Humans naturally interpret these signals as directorial intent, yet current multimodal large language models (MLLMs) are evaluated almost exclusively on understanding what happens rather than why it is presented that way. We introduce TAKE 85, the first benchmark for directorial-intent understanding, comprising 398 short films (85 hours) with expert-verified question-answer pairs spanning global and fine-grained visual and audio intent. Through controlled modality ablations, TAKE 85 enables systematic evaluation of multimodal reasoning. Experiments on state-of-the-art MLLMs reveal a substantial gap between perceptual recognition and intentional understanding: while models accurately describe events and narratives, they consistently fail to infer the communicative role of filmmaking decisions. Our results establish directorial intent as a previously overlooked dimension of multimodal understanding: even the strongest model reaches only 58 out of 100, and our ablations show that no input modality is sufficient on its own. All code, Q&As, and models are publicly available from https://github.com/KaiShinozakiConefrey/Take-85
• Abstract（参考訳）: 映画は、照明、色、作曲、編集、対話、音楽、音など、意図的な創造的な選択を通じてコミュニケーションする。 人間は、これらの信号を監督意図として自然に解釈するが、現在のマルチモーダル・大規模言語モデル(MLLM)は、なぜそのような方法で提示されるのかというよりも、何が起こるのかを理解することに集中して評価される。 我々は,398本の短編映画(85時間)と,世界規模および微粒な視覚的および音声的意図にまたがる専門家による質問応答対を含む,ディレクトリインテリジェンス理解のための最初のベンチマークであるTAKE 85を紹介する。 制御モードの短縮により、TAKE 85はマルチモーダル推論の体系的評価を可能にする。 最新のMLLMの実験では、知覚認識と意図的理解の間に大きなギャップが示され、モデルが正確に出来事や物語を記述している一方で、映画製作決定のコミュニケーション的役割を推測することができない。 以上の結果から,これまで見過ごされてきたマルチモーダル理解の次元として,最強モデルでさえ100点中58点にしか達せず,入力モダリティが単独では不十分であることが示唆された。 すべてのコード、Q&A、モデルはhttps://github.com/KaiShinozakiConefrey/Take-85から公開されている。

関連論文リスト

• OmniToM: Benchmarking Theory of Mind in LLMs via Explicit Belief Modeling [49.9159527733006]
  ToM(Theory of Mind)は、大規模言語モデル(LLM)において、終点質問応答を用いて一般的に評価される。 このパラダイムは、モデルが堅牢な推論に必要な精神状態の表現を実際に構築しているかどうかを曖昧にしている。 我々は,これらの表現を直接評価するベンチマークであるOmniToMを紹介した。
  論文  参考訳（メタデータ） (2026-05-25T20:45:08Z)
• Movie Facts and Fibs (MF$^2$): A Benchmark for Long Movie Understanding [97.05584099530226]
  MF$2$は、モデルがフル長の映画から重要な物語情報を理解し、統合し、思い出せるかどうかを評価するための新しいベンチマークである。 各ペアについて、モデルは真と偽のクレームの両方を正しく識別する必要がある。 実験の結果、オープンウェイトモデルとクローズド・オブ・ザ・アーティファクトモデルの両方が人間のパフォーマンスにかなり劣っていることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T17:58:36Z)
• Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning? [56.06537213958482]
  本稿では,MLLMの複雑なビデオ推論能力を評価するためのベンチマークであるVideo-Holmesを紹介する。 Video-Holmesは270本の手動注釈付きサスペンス短編映画から1,837の質問で構成されている。 最新のMLLMを包括的に評価した結果,これらのモデルは視覚的知覚に優れるが,情報の統合にはかなりの困難が伴うことが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-27T16:05:01Z)
• Can Large Language Models Capture Video Game Engagement? [1.3873323883842132]
  我々は、ビデオの連続的な影響アノテーションを注釈化し、うまく予測する一般的な大規模言語モデルの能力を包括的に評価する。 我々は, LLMアーキテクチャ, モデルサイズ, 入力モダリティ, プロンプト戦略, エンゲージメント予測に対する接地真理処理法の影響について, 2400以上の実験を行った。
  論文  参考訳（メタデータ） (2025-02-05T17:14:47Z)
• Push the Limit of Multi-modal Emotion Recognition by Prompting LLMs with Receptive-Field-Aware Attention Weighting [15.908307085973247]
  本稿では,受動的フィールド認識重み付けによる大規模言語モデルの実現により,あるバニラモデルの性能を向上させるフレームワークであるLanternを提案する。 実験では、バニラモデルCORECTとSDTがGPT-4またはLlama-3.1-405Bでランタンに配備された。
  論文  参考訳（メタデータ） (2024-11-26T18:35:24Z)
• MERLOT Reserve: Neural Script Knowledge through Vision and Language and Sound [90.1857707251566]
  MERLOT Reserveは、時間とともに動画を共同で表現するモデルである。 我々は、テキストとオーディオのスニペットをMASKトークンに置き換え、正しいマスクアウトスニペットを選択して学習する。 私たちの目標は代替手段よりも早く学習し、大規模に機能します。
  論文  参考訳（メタデータ） (2022-01-07T19:00:21Z)
• MERLOT: Multimodal Neural Script Knowledge Models [74.05631672657452]
  我々はMERLOTを紹介した。MERLOTは、翻訳された音声で何百万ものYouTubeビデオを視聴することで、マルチモーダルなスクリプト知識を学習するモデルである。 MERLOTは、時間的コモンセンスの強力なアウトオブボックス表現を示し、12の異なるビデオQAデータセット上で最先端のパフォーマンスを達成する。 Visual Commonsense Reasoning では、MERLOT が80.6%の精度で正解し、同じ大きさの最先端のモデルを3%以上上回っている。
  論文  参考訳（メタデータ） (2021-06-04T17:57:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。