VEU-Bench：面向视频编辑全面理解的基准

互联网上广泛分享的视频往往经过编辑。尽管最近的视频大语言模型（Video Large Language Models, Vid-LLMs）在通用视频理解任务中取得了很大进展，但其在视频编辑理解（Video Editing Understanding, VEU）任务方面的能力仍未得到探索。为填补这一空白，本文介绍VEU-Bench（Video Editing Understanding Benchmark），一个全面的基准，涵盖从帧内特征（如镜头尺寸）到帧间属性（如剪辑类型和转场）等多个维度的视频编辑成分。与之前专注于编辑元素分类的视频编辑理解基准不同，VEU-Bench涵盖19项细粒度任务，分为三个阶段：识别、推理和判断。为提高VUv的自动标注质量，我们构建了一个集成本体知识库的标注管道。通过对11个最先进（SOTA）Vid-LLMs进行大量实验，我们发现当前Vid-LLMs在VEU任务中面临重大挑战，部分模型的表现甚至低于随机选择。为缓解此问题，我们开发了Oscars，一款在精选VEU-Bench数据集上微调的VEU专家模型。它在VEU-Bench上的准确率比现有开源Vid-LLMs提高了28.3%，性能与商业模型如GPT-4o相当。我们还展示了整合VEU数据显著提升Vid-LLMs在通用视频理解基准上的性能，平均提升了9个推理任务中的8.3%。