Apple、長編動画要約ベンチマーク「LVSum」発表

記事の3ポイント

1. 1

   LVSum ベンチマークの概要

   長時間動画要約タスクにおける時間的忠実度と意味的な grounding を評価するために、Apple Machine Learning が「LVSum」という新しいベンチマークを提案した。

2. 2

   データセットの詳細構成

   このデータセットは13の異なる分野にわたる72本の多様な動画で構成され、平均再生時間は16分である。各動画には最大10件の人間が作成した要約文が含まれており、時間的参照情報が付与されている。

3. 3

   マルチモーダル大規模言語モデルへの課題

   長時間の動画において時間的な忠実度を維持しつつ、意味的かつ時間的に根拠のある要約を生成することは、マルチモーダル大規模言語モデル（MLLM）にとって依然として大きな課題である。