論文の概要: Video-Arena: A Scalable Agentic Video Benchmark for Spatiotemporal Capability

• arxiv url: http://arxiv.org/abs/2610.14158v1
• Date: Fri, 09 Oct 2026 17:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:54:54.987698
• Title: Video-Arena: A Scalable Agentic Video Benchmark for Spatiotemporal Capability
• Title（参考訳）: Video-Arena: 時空間能力のためのスケーラブルなエージェントビデオベンチマーク
• Abstract要約: Video-Arenaは、競争力のあるゲームをスケーラブルで検証可能なテストに変えるためのベンチマークだ。 我々は、重要な事象の認識、状態更新の解釈、得られた状態の追跡という3つのタスクカテゴリを通して、世界状態の理解と追跡を評価する。 我々のパイプラインは、大規模にゲームレコードからビデオとアライメントされたレファレンスラベルを生成することができる。
• 参考スコア（独自算出の注目度）: 35.841044858075826
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding and tracking a dynamic world are fundamental to visual intelligence. Existing video benchmarks provide limited insight into whether models can maintain a coherent understanding of evolving world state. Building such a benchmark from real-world videos is challenging because the underlying world state is partially observable, making annotations hard to obtain. To close this gap, we introduce Video-Arena, a benchmark that turns competitive games into scalable, verifiable tests of how well models understand evolving world states from videos. Specifically, inspired by how humans understand dynamic events, we evaluate spatiotemporal world state understanding and tracking through three task categories: perceiving critical events, interpreting state updates, and tracking the resulting states. Our pipeline can generate videos and aligned reference labels from game records at scale. To keep evaluation affordable and reproducible, we curate a golden set of 180 tasks across 9 games and run evaluations under two protocols: native visual understanding and tool-assisted agentic analysis. The best-performing systems achieve F1 scores of and under the two protocols, respectively. The result highlights that native models struggle to perceive events reliably, while tool-assisted systems improve event recovery but still struggle to interpret state updates and track the resulting states consistently over time. Our project page is in https://videoarena-bench.github.io
• Abstract（参考訳）: 動的世界を理解し追跡することは、視覚知性の基本である。 既存のビデオベンチマークは、モデルが進化する世界状態のコヒーレントな理解を維持することができるかどうかについての限られた洞察を提供する。 実際のビデオからこのようなベンチマークを構築するのは、基礎となる世界状態が部分的に観察可能であるため、アノテーションを取得するのが難しくなるため、難しい。 このギャップを埋めるために、私たちは、競合するゲームをスケーラブルで検証可能なテストに変換するベンチマークであるVideo-Arenaを紹介します。 具体的には、人間が動的事象を理解する方法にインスパイアされた、時空間的世界状態の理解と追跡を、3つのタスクカテゴリを通して評価する。 我々のパイプラインは、大規模にゲームレコードからビデオとアライメントされたレファレンスラベルを生成することができる。 評価を安価かつ再現可能なものにするために,9つのゲームにまたがる180タスクのゴールデンセットをキュレートし,ネイティブビジュアル理解とツール支援エージェント分析という2つのプロトコルで評価を実行する。 ベストパフォーマンスシステムは、それぞれ2つのプロトコルのF1スコアとアンダースコアを達成する。 その結果、ネイティブモデルはイベントを確実に知覚するのに苦労する一方で、ツールアシストシステムはイベントリカバリを改善する一方で、状態のアップデートを解釈し、結果の状態を継続的に追跡するのに苦労している、ということが浮き彫りになった。 私たちのプロジェクトページはhttps://videoarena-bench.github.ioにあります。

関連論文リスト

• WorldReward: Reward Modeling for Camera-Conditioned World Models [56.14617966299295]
  本稿では,VLMに基づくカメラコンディショニング世界モデルに対するペアワイズ優先報酬モデルであるWorldRewardを紹介する。 WorldRewardは、ペア化されたビデオをアクション整合したチャンクに分解し、各チャンクを構造化された視覚的エビデンスに整理し、ビデオレベルのアクションと視覚的品質の好みに投票することでチャンクレベルの決定を集約する。 WorldReward は GPT-5.5 の3.42 倍、 1.45 倍、および 3.56 倍の3つの次元で最高合意を達成している。
  論文  参考訳（メタデータ） (2026-09-03T14:53:53Z)
• Can Video World Models Track Unobserved World States? [40.869875403179535]
  ビデオワールドモデルはシミュレータとしてますます使われているが、視覚的忠実性だけでは、モデルは世界の隠れた状態を維持するわけではない。 このギャップをアクション条件付きビデオシェルゲーム(S_5$状態追跡のビジュアルアナログ)で調べる。 エクストラポーレートを行う2つのメカニズムを見つけ、どちらもチャンクにまたがって状態を保持し、それを修正します。
  論文  参考訳（メタデータ） (2026-08-31T12:29:24Z)
• Ego2World: Compiling Egocentric Cooking Videos into Executable Worlds for Belief-State Planning [55.43343782036886]
  Ego2Worldは、エゴセントリックな調理動画を、グラフ遷移ルールによって管理される実行可能な象徴的世界に変換する実行可能なベンチマークである。 評価中、シミュレータは隠された世界グラフを保持し、エージェントはローカルな観測と実行フィードバックのみを使用して、独自の部分的信念グラフを計画する。 この分離により、エージェントは真の世界の状態を観察することなく、メモリとリプランを更新せざるを得なくなる。
  論文  参考訳（メタデータ） (2026-05-13T10:53:15Z)
• WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors [45.545823511469166]
  本稿では,映像生成評価を世界状態予測として再設定するWorldReasonBenchを紹介する。 人手による2部構成手法を用いて生成した映像の評価を行った。 WorldRewardBenchは、約6Kのエキスパートアノテートされたペアが1.4Kビデオに対して設定された選好ベンチマークである。
  論文  参考訳（メタデータ） (2026-05-11T12:06:57Z)
• VideoHallu: Evaluating and Mitigating Multi-modal Hallucinations on Synthetic Video Understanding [70.00000053847738]
  物理的な世界と対話するAIシステムには、真の視覚的理解が不可欠である。 現在の評価では、主にトレーニングデータと同様の実際のビデオを使用する。 物理的に不可能または論理的に矛盾する事象を描写するビデオを用いた負制御テストを提案する。
  論文  参考訳（メタデータ） (2025-05-02T15:58:38Z)
• H2VU-Benchmark: A Comprehensive Benchmark for Hierarchical Holistic Video Understanding [25.111988967973147]
  既存のビデオ理解評価ベンチマークでは、カバレッジ、タスクの多様性、シーン適応性に大きな制限がある。 本稿では,一般的なビデオとオンラインストリーミングの両方の理解度を評価するために,階層的・全体論的ビデオ理解ベンチマークを提案する。 このベンチマークは、拡張ビデオの長さ、包括的なアセスメントタスク、エンリッチ化ビデオデータという3つの重要な特徴に寄与する。
  論文  参考訳（メタデータ） (2025-03-31T12:32:51Z)
• VideoPhy-2: A Challenging Action-Centric Physical Commonsense Evaluation in Video Generation [66.58048825989239]
  VideoPhy-2は、生成されたビデオの物理的常識を評価するアクション中心のデータセットである。 我々は、生成したビデオのセマンティック・アテンデンス、物理コモンセンス、および物理ルールのグラウンド化を評価する人間の評価を行う。 結果より,最高のモデルでも22%のジョイントパフォーマンスを達成できたことが示唆された。
  論文  参考訳（メタデータ） (2025-03-09T22:49:12Z)
• 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。