全球首个「视频教学」基准！南洋理工、CMU发布Video-MMMU

编辑：LRST

【新智元导读】人类通过课堂学习知识，并在实践中不断应用与创新。那么，多模态大模型（LMMs）能通过观看视频实现「课堂学习」吗？新加坡南洋理工大学S-Lab团队推出了Video-MMMU——全球首个评测视频知识获取能力的数据集，为AI迈向更高效的知识获取与应用开辟了新路径。

想象一下，你正在观看吴恩达老师的机器学习课程，视频讲解清晰、动画直观，你很快掌握了核心概念，并能在考试中灵活应用，人类对这个过程再熟悉不过。

那么，如果AI也能这样学习呢？

图1 Video-MMMU提出知识获取的3大认知阶段

这正是Video-MMMU试图回答的核心问题：AI能否通过观看视频获取并应用知识？

对于多模态大模型（LMMs）来说，视频不仅是它们感知世界的窗口，更是获取知识的重要途径。南洋理工大学S-Lab团队推出Video-MMMU数据集是首个评测LMMs从多学科专业视频中提取、理解并运用知识能力的创新基准。

通过Video-MMMU，我们不再满足于模型「看懂」视频，而是探索它能否真正「学会」视频中的新知识，并运用这些知识解决实际问题。

论文地址：https://arxiv.org/abs/2501.13826

开源代码：https://github.com/EvolvingLMMs-Lab/VideoMMMU

项目主页：https://videommmu.github.io/

数据集：https://huggingface.co/datasets/lmms-lab/VideoMMMU

三大认知阶段：从感知到应用

教育学认为，学习是一个渐进的认知过程 [1]，而Video-MMMU正是围绕这个过程设计的，将学习新知识拆解为三个认知阶段：感知（Perception）、理解（Comprehension）和运用（Adaptation），系统评估模型在知识获取不同层次的能力。

感知（Perception）——信息获取的起点，模型需要从视频中提取关键信息，这是获取知识的基础。

理解（Comprehension）——从感知到掌握，模型不仅需要「看清」，还要理解知识的深层次含义。

运用（Adaptation）——真正的学以致用，模型需要将从视频中学到的知识运用到全新的场景中。这是测试学习能力的最终环节。

知识增益（∆knowledge）：衡量模型的能力提升

Video-MMMU 的另一大亮点在于设计了「知识增益」（∆knowledge）指标。这一创新不仅关注模型的「绝对能力」，更评估其在观看视频前后的在应用阶段的表现提升。

图2 模型通过观看视频，将原本无法解决的问题做对。「解题」的能力不是唯一的检验标准，能获取知识，并把原本做错的问题做对，也是一种重要的能力。

与传统评测不同，Video-MMMU更关注模型是否能通过观看视频解决原本无法解答的问题。从Video-MMMU的角度，智能不仅仅是「解题」的能力，更是快速学习和应用新技能的能力。

对于多模态大模型来说，视频就是它们的课堂。通过视频「上课」，模型可以获取新知识，并灵活应用于实际生活中的未知挑战，不仅是对「智能」概念的重新思考，更是迈向通用智能（AGI）的一次有趣探索。

Video-MMMU 的发布，为评估和改进LMMs的知识获取能力提供了全新视角。如果人类的课堂是学习的起点，那么 Video-MMMU 就是LMMs走向课堂的一扇大门。

数据集的独特性

Video-MMMU的独特之处在于首次将视频作为知识传播的核心渠道，从传统的视频场景理解转向视频内容的知识学习。数据集专注于高质量教育视频，平均时长506.2秒，覆盖多个学科领域。其问题平均长度达75.7字，远超其他基准，体现出高度专业性和挑战性。

数据集设计

Video-MMMU覆盖6大专业领域（艺术、商业、医学、科学、人文、工程）中的30个学科。数据集包含精心筛选的300个大学水平的教育视频和900个高质量的问答对。

问题设计

感知阶段的问题类型

• ASR（自动语音识别）：要求模型准确转录视频中的口述内容。示例：如上图中Art（左上）的例子。
• OCR（光学字符识别）：从公式、图表或手写笔记中提取关键细节。示例：如上图中Business（左下）的例子。

理解阶段的问题类型

• 概念理解（Concept Comprehension）：通过不定项选择题评估模型对视频中概念的理解。示例：如上图中Humanities（中上）的例子。
• 解题方法理解（Problem-solving Strategy Comprehension）：在视频中演示的解决问题基础上，通过改变输入值测试模型是否掌握了解题方法。示例：如上图中Science（中下）的例子。

运用阶段的问题类型

• 案例分析（Case Study Analysis）：将视频中讲解的知识应用于新的实际情境。示例：如上图Medicine（右上）的例子。
• 解题方法运用（Problem-solving Strategy Adaptation）：将视频中演示的解决方法应用于实际的问题。示例：如上图中Engineering（右下）的例子。

实验结果分析

各认知阶段的表现

1. 人类 vs. AI：人类专家在所有阶段的表现都优于模型，尽管Claude-3.5-Sonnet在模型中得分最高，但仍明显落后于人类。
2. 难度逐级递增：无论是人类还是AI，从感知到理解再到运用，准确率逐步下降，说明越深层次的认知任务对能力要求越高。
3. 知识运用的挑战：运用阶段（Adaptation Track） 是知识获取的最大瓶颈，模型得分普遍低于50%。这表明，尽管模型在可能表面理解了视频知识，但在实际应用时仍存在明显短板，难以灵活迁移和运用所学内容。

音频文本的影响

作者使用 OpenAI Whisper 生成音频转录文本，以测试其对模型表现的影响。

结果显示：

• 感知与理解阶段：音频文本有助于模型更精准地理解视频内容，提高表现。
• 运用阶段的挑战：模型表现反而下降，可能因为音频中存在冗余信息，干扰了模型对关键知识的提取和迁移能力。这说明，尽管音频文本能帮助AI“听懂”视频，但真正的知识应用依然是重大挑战。

知识增益的定量分析

Video-MMMU 的核心创新之一是引入「知识增益」指标（∆knowledge）用于评估模型通过观看视频学习新知识的能力。与传统评测不同，该指标关注模型是否能通过视频学习，解决原本不会的问题，而不仅仅是静态的解题能力。（∆knowledge）定义为：

人类 vs. AI：学习能力差距

人类在观看视频后，知识增益达33.1%，而表现最好的模型（GPT-4o）仅为15.6%，多数模型低于10%。更令人意外的是，一些模型在观看视频后反而表现下降，表明它们在知识学习和应用方面仍远不及人类。

模型的知识获取两面性

仅凭知识增益（∆knowledge）并不能全面衡量模型的真实学习能力。因此，作者进一步引入两个关键指标：

• 错误转正确率（Wrong-to-Right Rate）：模型能否通过视频学习，把原本错误的答案修正？定义为：

• 正确转错误率（Right-to-Wrong Rate）：模型是否看视频之后，把原本做对的题做错了？

实验发现，大多数模型取得较为不错的错误转正确率，显示出一定的学习能力。但是，大多数模型的正确转错误率远高于人类，表明它们在吸收视频知识时仍存在明显不足。

人类的认知优势

人类在这两个指标上的表现更加平衡：

• 错误转正确率：40.4% → 说明人类能更有效地学习新知识。
• 正确转错误率：10.7% → 这表明，人类能够自然整合新旧知识，而模型在处理视频信息时，往往会修改原本正确的答案，这成为其学习能力的核心短板之一。

结论：模型的瓶颈

实验结果揭示了当前多模态大模型（LMMs）在视频学习中的两大挑战：

1. 学习能力有限：难以高效获取并应用新知识。
2. 模型回答的不稳定性：原本会做的题，看完视频后反而不会了。

如何提升LMMs的学习效率和稳定性，将是提升视频知识获取能力的关键。

错误分析

作者对Claude-3.5-Sonnet在运用阶段的100个错误进行了分类，分析模型做错的根本原因。

• 方法选择错误（8%）：模型选择了错误的解题方法，也就是说，它未能理解视频中讲解的正确策略。简单来说，模型看了视频，但没有选对路。
• 方法运用错误（64%）：这是最常见的错误。模型记住了视频中的方法，但在新情境下无法灵活应用。比如，它理解了视频中的解题方法，但无法正确运用到另一个场景中。
• 问题误读错误（15%）：模型没读懂题目，比如错看了数值或条件。这些错误和知识获取无关，更像是「粗心大意」。

作者详细分析了模型方法运用错误的例子：

总结

Video-MMMU首次系统性评测了LMMs从视频中学习、理解和应用知识的能力，揭示了当前多模态大模型在学习效率和知识迁移上的显著不足。提升模型从视频中获取知识的能力，将是迈向AGI的重要一步。

参考资料：

[1] Mary Forehand. Bloom’s taxonomy. Emerging perspectives on learning, teaching, and technology, 41(4):47–56, 2010