SAVU-BENCH: Реальный мировой контрольный показатель пространственного аудиовидеопонимания
arXiv: 2610.10.10624v1 Annuales Type: кросс-бюллетень: Пространственное аудиовизуальное понимание требует моделей не только для распознавания того, что существует, но и для определения места возникновения событий и их взаимосвязи между различными условиями. Существующие контрольные показатели часто основываются на смоделированных сценах, оценивают изолированные пространственные навыки и дают ограниченное диагностическое представление о режимах отказа. Мы введем систему SAVU-Bench, которая представляет собой показатель реального мира и систематически оценивает пространственное аудиовизуальное понимание на трех уровнях потенциала и семи задачах по оценке. Далее мы представляем SAVU-Diag, диагностический набор сцены, который разлагает вопросы в их предпосылке и подзадач по согласованию. Оценка 12 репрезентативных моделей на SAVU-Bench показывает, что в то время как визуальная пространственное заземление является относительно зрелым, пространственное восприятие с использованием звука остается основным узким местом. SAVU-Diag также показывает, что большинство логичных ошибок совпадают с неудачами в выполнении этих предварительных задач, хотя пробелы в рассуждениях на
