論文の概要: AgentVidBench: A Multi-Hop Video Question Answering Benchmark for Evaluating MLLM Agents

• arxiv url: http://arxiv.org/abs/2609.21386v1
• Date: Fri, 18 Sep 2026 06:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.887247
• Title: AgentVidBench: A Multi-Hop Video Question Answering Benchmark for Evaluating MLLM Agents
• Title（参考訳）: AgentVidBench:MLLMエージェント評価のためのマルチホップビデオ質問回答ベンチマーク
• Abstract要約: 実世界のビデオ理解には、マルチホップマルチモーダル推論を必要とするより困難なタスクが含まれる。 本稿では,MLLMエージェントの空間的,時間的,因果的推論能力を評価するベンチマークであるAgentVidBenchを紹介する。
• 参考スコア（独自算出の注目度）: 14.219274239252485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comprehensive video understanding is crucial for advancing artificial intelligence toward the intricate dynamics of the physical world. While recent advances in Multimodal Large Language Models (MLLMs) have demonstrated remarkable capabilities in video understanding, existing benchmarks remain confined to simple scene-level queries or global summaries that require only single-step inference. Real-world video understanding involves more challenging tasks that require multi-hop multimodal reasoning, and there is a critical absence of video benchmarks equipped to rigorously evaluate these agentic capabilities. To bridge this gap, we introduce AgentVidBench, a multi-hop video question answering benchmark focused on evaluating the spatial, temporal, and causal reasoning capabilities of MLLM agents. Beyond standard question-answer pairs, AgentVidBench provides step-by-step solution traces to support trajectory evaluation that assesses whether agents explicitly acquire the evidence needed to justify their answers. Experiments with 12 proprietary and open-source MLLMs show that single-turn performance remains limited on AgentVidBench, while integrating these models into state-of-the-art agentic workflows generally improves performance with respect to both accuracy and trajectory scores. We further present a simple yet effective agentic strategy that serves as a competitive baseline on AgentVidBench, establishing our benchmark as a holistic testbed for future research on agentic video understanding. Code and datasets are available at https://github.com/krafton-ai/agentvidbench and https://huggingface.co/datasets/agentvidbench/agentvidbench.
• Abstract（参考訳）: 包括的ビデオ理解は、物理的な世界の複雑なダイナミクスに向けた人工知能の進化に不可欠である。 MLLM(Multimodal Large Language Models)の最近の進歩は、ビデオ理解において顕著な能力を示しているが、既存のベンチマークは、単純なシーンレベルのクエリや、シングルステップ推論のみを必要とするグローバルな要約に限られている。 実世界のビデオ理解には、マルチホップマルチモーダル推論を必要とするより困難なタスクが含まれており、これらのエージェント機能を厳格に評価するためのビデオベンチマークが欠如している。 このギャップを埋めるために、MLLMエージェントの空間的、時間的、因果的推論能力を評価することに焦点を当てたマルチホップビデオ質問応答ベンチマークであるAgentVidBenchを紹介する。 AgentVidBenchは、通常の質問と回答のペア以外にも、回答を正当化するために必要な証拠をエージェントが明示的に取得するかどうかを評価するトラジェクトリ評価をサポートするためのステップバイステップのソリューショントレースを提供する。 12のプロプライエタリでオープンソースのMLLMによる実験では、AgentVidBenchではシングルターンのパフォーマンスが制限されている一方で、これらのモデルを最先端のエージェントワークフローに統合することで、精度とトラジェクトリスコアの両方に関してパフォーマンスが改善されている。 さらに,AgentVidBenchの競争ベースラインとして機能する,単純かつ効果的なエージェント戦略を提案し,今後のエージェントビデオ理解研究のための総合的なテストベッドとして,我々のベンチマークを確立した。 コードとデータセットはhttps://github.com/krafton-ai/agentvidbenchとhttps://huggingface.co/datasets/agentvidbench/agentvidbenchで入手できる。

関連論文リスト

• FineBench: Benchmarking and Enhancing Vision-Language Models for Fine-grained Human Activity Understanding [30.42523020030251]
  VLM(Vision-Language Models)は、一般的なビデオ理解において顕著な能力を示す。 彼らはしばしば、現実世界のアプリケーションに不可欠なきめ細かい理解に苦しむ。 我々は、きめ細かい理解を評価するために特別に設計されたベンチマークであるFineBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-19T13:40:26Z)
• ViQAgent: Zero-Shot Video Question Answering via Agent with Open-Vocabulary Grounding Validation [49.1574468325115]
  本研究は、ゼロショットビデオ質問応答(VideoQA)のためのLCMブラインドエージェントを提案する。 Chain-of-Thoughtフレームワークと、YOLO-Worldと組み合わせて、オブジェクトのトラッキングとアライメントを強化する。 このアプローチは、NExT-QA、iVQA、ActivityNet-QAベンチマークのパフォーマンスを向上した、ビデオQAおよびビデオ理解における新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2025-05-21T18:32:43Z)
• MVBench: A Comprehensive Multi-modal Video Understanding Benchmark [63.14000659130736]
  本稿では、MVBenchという総合的なマルチモーダルビデオ理解ベンチマークを紹介する。 まず、これらの時間的タスクを定義するための新しい静的-動的手法を提案する。 そして,タスク定義に従って,公開ビデオアノテーションを複数選択QAに自動的に変換し,各タスクを評価する。
  論文  参考訳（メタデータ） (2023-11-28T17:59:04Z)
• AgentBench: Evaluating LLMs as Agents [99.12825098528212]
  エージェントとしてのLarge Language Model (LLM)は近年広く認知されている。 我々は,LLM-as-Agentの推論と意思決定能力を評価するために,8つの異なる環境からなるベンチマークであるAgentBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-07T16:08:11Z)

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。