論文の概要: TwinPast: Benchmarking Historical Evidence Use in Streaming Video Understanding with Evidence Contrastive Video Pairs

• arxiv url: http://arxiv.org/abs/2610.41983v1
• Date: Fri, 30 Oct 2026 16:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.810516
• Title: TwinPast: Benchmarking Historical Evidence Use in Streaming Video Understanding with Evidence Contrastive Video Pairs
• Title（参考訳）: TwinPast:エビデンスコントラストビデオペアによるビデオ理解における歴史的エビデンス使用のベンチマーク
• Abstract要約: 最近のフレームは、サンプリングされた過去の質問の32%で十分であり、モデルもまた、質問とオプションだけで、多くの質問に正しく答えている。 我々は、5つの歴史的タスクにまたがる350の人間レビュービデオペアを用いて、回答が歴史の変化に正しく従うかどうかをテストするために、TwinPastを紹介した。
• 参考スコア（独自算出の注目度）: 18.957780082846085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High accuracy on streaming video benchmarks does not establish whether a model uses visual history. Our review of OVO-Bench and StreamingBench finds that recent frames suffice for 32% of sampled historical questions, while models also answer many questions correctly from the question and options alone. We introduce TwinPast to test whether answers correctly follow changes in history, using 350 human-reviewed video pairs spanning five historical tasks. Each pair holds the recent video context, question, and ordered options fixed while changing critical historical evidence and the correct answer. Each video is evaluated independently, and PairAcc requires correct answers for both histories. We evaluate 34 model and input configurations. For Qwen3-VL-8B and DeepSeek-Flash, historical inputs improve performance on TwinPast, reversing the recent-frame advantage on existing benchmarks. The strongest evaluated streaming system reaches 49.14% PairAcc, compared with 66.57-91.43% for the evaluated general-purpose models. This gap persists across all five tasks. Case studies further show that models select states from the wrong time or contradict recorded event order despite retaining the relevant evidence. These findings highlight the need to connect historical memory and retrieval with reasoning that uses evidence according to the question's temporal references and event relations.
• Abstract（参考訳）: ストリーミングビデオベンチマークの高精度は、モデルが視覚履歴を使用するかどうかを定めていない。 OVO-BenchとStreamingBenchのレビューでは、最近のフレームは32%の歴史的質問に対して十分である。 我々は、5つの歴史的タスクにまたがる350の人間レビュービデオペアを用いて、回答が歴史の変化に正しく従うかどうかをテストするために、TwinPastを紹介した。 それぞれのペアは、重要な歴史的証拠と正しい答えを変更しながら、最新のビデオコンテキスト、質問、順序付けられたオプションを保持します。 各ビデオは独立して評価され、PairAccは両方の履歴に対して正しい答えを要求する。 我々は34のモデルと入力構成を評価した。 Qwen3-VL-8BとDeepSeek-Flashでは、過去のインプットによってTwinPastのパフォーマンスが向上し、既存のベンチマークにおける最近のフレームのアドバンテージが逆になった。 最も評価の高いストリーミングシステムは49.14%のPairAccであり、評価された汎用モデルでは66.57-91.43%である。 このギャップは5つのタスクにまたがって持続する。 ケーススタディでは、関連する証拠を保持しながら、モデルが間違った時刻から状態を選択するか、記録されたイベント順序に矛盾する状態を選択することも示している。 これらの知見は、過去の記憶と検索を、質問の時間的参照と事象の関係に応じて証拠を使用する推論と結びつける必要性を強調している。

関連論文リスト

• Supervising the Visible State: Separating Representation from View Selection in Streaming Video [29.69055584049387]
  Visible-State Supervision (ViSS) は、イベントの同一性、順序、蓄積、関係の変化、回答の正当性に関する調査を訓練する。 Test-Time Causal View Search (TVS)は、学習したモデルの修正を維持しながらエビデンスアクセスを適用する。
  論文  参考訳（メタデータ） (2026-10-26T06:52:46Z)
• SPARE: Shared Perception and Adaptive Retrieval of Evidence for Streaming Video Understanding [45.305417318526054]
  ビデオの理解をストリーミングするには、観察されたビデオからの質問に答える必要がある。 適応的履歴検索と視覚的エンコーダ共有を組み合わせたフレームワークであるSPAREを提案する。 視覚のみの入力で、SPAREはOVO-Benchのリアルタイムおよびバックワードタスクグループで77.78%、StreamingBenchで73.31%を達成する。
  論文  参考訳（メタデータ） (2026-10-10T07:37:10Z)
• When to Retrieve, When to Stay: Uncertainty-Aware Temporal Evidence Allocation for Streaming Video-LLMs [55.016033209274376]
  WRWS(When to Retrieve, When to Stay)は、不確実性適応型エビデンスアロケーションのためのトレーニング不要のフレームワークである。 WRWSは、関連手段が信頼性が高い場合に意味検索を好んでおり、不確実性の下での精度を高める。 我々の効率評価において、WRWSは、平均視覚から回答までの時間を、最先端手法の47.93%に削減する。
  論文  参考訳（メタデータ） (2026-09-29T12:13:56Z)
• VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
  VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。 これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。 GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。 その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
  論文  参考訳（メタデータ） (2026-04-02T03:29:43Z)
• OVO-Bench: How Far is Your Video-LLMs from Real-World Online Video Understanding? [51.45196331624591]
  OVO-Benchは、高度なオンラインビデオ理解機能のための新しいベンチマークである。 12のタスクで構成され、644のユニークなビデオと、正確なタイムスタンプを備えた約2,800の細かいメタアノテーションで構成されている。 Video-LLMの9つの評価によると、従来のベンチマークの進歩にもかかわらず、現在のモデルはオンラインビデオ理解に苦戦している。
  論文  参考訳（メタデータ） (2025-01-09T19:00:01Z)

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。