論文の概要: GroundedVDR: Grounding Video-to-Web Evidence Dependencies in Video Deep Research
- arxiv url: http://arxiv.org/abs/2610.25493v1
- Date: Sun, 18 Oct 2026 19:26:54 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:42:08.35989
- Title: GroundedVDR: Grounding Video-to-Web Evidence Dependencies in Video Deep Research
- Title（参考訳）: GroundedVDR: ビデオディープリサーチにおけるビデオとWebのエビデンスに依存している
- Abstract要約: 3つの特徴を持つエビデンスグラウンドベンチマークであるメソッドを導入する。
まず、人間のレビューと複数のモデルにまたがる限定アクセス探索を組み合わせることで、知識や単一の情報ソースから答えられる質問を除外する。
第2に、各質問には、関連するビデオセグメントと支援するWebエビデンスをリンクする、構造化されたビデオ-ウェブエビデンスパラメトリックアノテーションが記述されている。
第3に、その評価プロトコルは、ビデオグラウンド、Webエビデンスグラウンド、最終回答の正しさを別々にスコア付けする。
- 参考スコア（独自算出の注目度）: 71.02804284044352
- License:
- Abstract: Video large multimodal models have improved at identifying cross-frame visual evidence and conducting open-web retrieval, as reflected in recent video deep research (VDR) benchmarks. However, existing VDR benchmarks primarily evaluate tool-use trajectories and final responses without verifying whether a model actually uses the temporal video information or the retrieved web evidence. To fill this gap, we introduce \method{}, an evidence-grounded benchmark with three features. First, it combines human review with restricted-access probing across multiple models to exclude questions answerable from parametric knowledge or a single information source. Second, each question carries structured video-to-web evidence annotations that link the relevant video segments to their supporting web evidence. Third, its evaluation protocol separately scores video grounding, web evidence grounding, and final-answer correctness. Across eight multimodal agent systems, the best reaches 76.0\% answer accuracy, yet none recovers the complete required web evidence for more than 8\% of questions. Our benchmark is publicly available at \url{https://huggingface.co/datasets/hh721/vdr_temp}.
- Abstract（参考訳）: 最近のビデオディープリサーチ(VDR)ベンチマークに反映されているように、ビデオの大規模なマルチモーダルモデルは、クロスフレームの視覚的証拠を特定し、オープンウェブ検索を実行することで改善されている。
しかし,既存のVDRベンチマークでは,時間的ビデオ情報や検索したWebエビデンスを実際に使用するかどうかを検証せずに,ツール使用軌跡と最終応答を主に評価している。
このギャップを埋めるために、3つの特徴を持つエビデンス基底ベンチマークである \method{} を導入する。
まず、人間のレビューと複数のモデルにまたがる限定アクセス探索を組み合わせることで、パラメトリック知識や単一の情報ソースから答えられる質問を除外する。
第2に、各質問には、関連するビデオセグメントとサポート対象のWebエビデンスをリンクする構造化されたビデオ-ウェブエビデンスアノテーションが記述されている。
第3に、その評価プロトコルは、ビデオグラウンド、Webエビデンスグラウンド、最終回答の正しさを別々にスコア付けする。
8つのマルチモーダルエージェントシステムにまたがって、最良の解答精度は76.0 %に達するが、8 %以上の質問に対して必要な完全な Web 証拠を復元する者はいない。
我々のベンチマークは、 \url{https://huggingface.co/datasets/hh721/vdr_temp} で公開されています。
関連論文リスト
- Thinking Beyond Videos: Unifying Video Reasoning and Deep Research for Open-World Video Agents [50.87605650923757]
我々は,ビデオトリミング,マルチモーダル検索,Webページブラウジングを協調する統合ビデオディープリサーチフレームワークであるVideoRoverを紹介する。
ビデオ検索のペアが与えられたら、VideoRoverはそれぞれのツールの結果を使って次のアクションを選択する。
この機能を開発するために,26KのSFTトラジェクトリと3Kの挑戦的RLインスタンスを生成する自動データキュレーションパイプラインを構築した。
論文 参考訳（メタデータ） (2026-08-24T14:42:23Z) - Evidence-Backed Video Question Answering [90.93225758130426]
既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。
E-VQA(Evidence-Backed Video Question Answering)を提案する。
これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
論文 参考訳（メタデータ） (2026-07-13T17:49:10Z) - ForeSea: AI Forensic Search with Multi-modal Queries for Video Surveillance [56.15563109738998]
ForeSeaは3段階のプラグアンドプレイパイプラインを備えたAI法医学検索システムである。
ForeSeaは従来のビデオRAGモデルよりも精度を3.5%向上し、一時IoUは11.0向上した。
論文 参考訳（メタデータ） (2026-03-24T07:15:28Z) - Watching, Reasoning, and Searching: A Video Deep Research Benchmark on Open Web for Agentic Video Reasoning [32.71093573332936]
VideoDRは、オープンウェブ環境でビデオエージェントを研究するための最初のビデオディープリサーチベンチマークである。
VideoDRは、ビデオ条件付きオープンドメインのビデオ質問応答、クロスフレームの視覚的アンカー抽出、インタラクティブなWeb検索、共同ビデオとWebのエビデンスに対するマルチホップ推論などに焦点を当てている。
論文 参考訳（メタデータ） (2026-01-11T15:07:37Z) - Video-BrowseComp: Benchmarking Agentic Video Research on Open Web [64.53060049124961]
Video-BrowseCompは、オープンウェブのエージェントによるビデオ推論に適した210の質問からなるベンチマークである。
これは時間的視覚的証拠に必須に依存しており、回答はテキスト検索のみでは導き出せないことを保証している。
初のオープンWebビデオ調査ベンチマークとして、Video-BrowseCompは、受動的知覚を越えて、プロアクティブなビデオ推論へと分野を前進させた。
論文 参考訳（メタデータ） (2025-12-28T19:08:27Z) - VITED: Video Temporal Evidence Distillation [49.38292490256531]
そこで我々は,チェーン・オブ・エビデンス推論による複雑なビデオ質問応答について検討した。
モデルは、固定数のフレームを均一にサンプリングするため、多段階の推論に苦労する。
本稿では,既存のビデオQAデータセットをエビデンス・アソシエーション・チェーンで拡張するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-17T06:30:02Z) - Needle In A Video Haystack: A Scalable Synthetic Evaluator for Video MLLMs [20.168429351519055]
ビデオ理解はマルチモーダル大言語モデル(LMLM)にとって重要な次のステップである
合成ビデオ生成によるベンチマーク構築フレームワークであるVideoNIAH(Video Needle In A Haystack)を提案する。
我々は、プロプライエタリモデルとオープンソースモデルの両方を包括的に評価し、ビデオ理解能力の重大な違いを明らかにする。
論文 参考訳（メタデータ） (2024-06-13T17:50:05Z)
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。