SONIC-O1: 音声・動画理解におけるマルチモーダル大規模言語モデル評価のための実世界ベンチマーク

要約

SONIC-O1は、マルチモーダル大規模言語モデル（MLLM）の音声・動画理解能力を評価するための新しいベンチマークです。13の実世界領域から収集された4,958件の人間による検証済みアノテーションを含み、要約や時間的特定などのタスクを評価します。

全文は有料プランで閲覧できます。