印度如何烹制酸奶饭（Biryani）？

酸奶饭（Biryani）是印度最著名的菜肴之一，其在烹饪方式、配料和呈现方式上展现出显著的地区多样性。随着在线烹饪视频的日益普及，系统性地研究此类烹饪变异的潜力前所未有。然而，现有的视频理解方法无法捕捉程序烹饪视频中细粒度、多模态和文化背景差异。本工作提出首个大规模、精选的酸奶饭制作视频数据集，包含 120 部高质量 YouTube 记录，覆盖 12 个不同地区风格。我们提出一个多阶段框架，利用最近的视觉语言模型（VLMs）将视频分割为细粒度程序单元，并与音频转录和标准食谱文本对齐。基于这些对齐表示，我们引入一个视频比较管道，自动识别和解释不同地区变体之间的程序差异。我们构建了一个涵盖多种推理水平的问答（QA）基准，用于评估 VLMs 的程序理解能力。我们的方法在不同角色中运用多个 VLMs，融入人类参与的验证以实现高精度任务，并在零-shot 和微调设置下对比多个最新模型。 resulting dataset, comparison methodology, and QA benchmark provide a new testbed for evaluating VLMs on structured, multimodal reasoning tasks and open new directions for computational analysis of cultural heritage through cooking videos. 我们在 https://farzanashaju.github.io/how-does-india-cook-biryani/ 公开所有数据、代码及项目网站。