南大团队直击大模型高分神话：人类90分，最强模型仅49分

现有大模型评测分数日趋饱和，但与真实体验差距显著。南京大学傅朝友团队牵头，在Google Gemini评测团队邀约下推出视频理解新基准Video-MME-v2。凭借创新的分层能力体系与组级非线性评分，以及3300+人工时高质量标注，揭示模型与人类的巨大鸿沟（49vs90）、传统Acc指标虚高、以及「Thinking」并非总是增益等现象。

一年多前，傅朝友带领的Video-MME团队发布了其第一版Benchmark，被Gemini、GPT等广泛用于视频理解评测。

根据Paper Digest统计，Video-MME在CVPR 2025所有录用论文中影响力排名第一（引用1100+次）。

近年来，团队进一步对多模态大模型评测进行了系统梳理，并发布综述工作MME-Survey，从能力覆盖、评测方式到指标设计，对现有Benchmark进行了全面分析。

正因如此，团队更早、更清晰地意识到：现有评测范式，开始逐渐「失真」了。多模态大模型在视频理解上进步神速，各类Benchmark上的分数都在趋于饱和，但真实体验依然不足。在这样的背景下，Video-MME-v2正式发布。

论文：https://arxiv.org/pdf/2604.05015

主页：https://video-mme-v2.netlify.app/

MME-Survey: https://arxiv.org/pdf/2411.15296

Video-MME-v2是一个面向下一代视频理解能力的评测基准，历经近一年时间准备，由12名标注人员和50位独立审核人员共同完成，投入超过3300人工时标注时间。

与传统Benchmark的不同在于，一个精心设计的逐层递进三层能力体系以及分组非线性评分方法。

评测结果显示：人类专家的非线性得分为90.7（传统Acc为94.9），而当前最强的商业模型Gemini-3-Pro得分仅为49.4，开源模型Qwen最佳结果为39.1。

Video-MME-v2在测什么？

Video-MME-v2的第一个核心设计，是把视频理解拆成一个逐层递进的三层能力体系。

第一层：信息检索与聚合。这是视频理解最基础的一层，关注模型能否从跨帧、跨模态的信息中，准确识别并提取关键事实。

第二层：时序理解。基于第一层，第二层进一步考察模型是否真正理解了时间维度。要求模型不仅能看懂不同帧的静态画面，更要抓住动作发生的先后关系、状态如何变化、事件为何发生。

第三层：复杂推理。基于第二层，第三层则更接近真实世界任务，要求模型在更复杂、更开放的场景中进行推理。这也是最接近「人类式理解」的一层：不仅要看懂，还要能推断、能解释、能综合。图1直观展示了这三层能力结构。

图1 Video-MME-v2能力层级分布以及部分模型能力排行

Video-MME-v2不只是「多出题」

而是换了一种新测法

Video-MME-v2的第二个关键创新，回答的是「怎么测」。

这项工作没有继续沿用「每题独立计分」的传统方法，而是引入了组级评测。即，不再只看模型某一道题答没答对，而是看它在一组相关问题上是否表现出一致性和连贯性。

能力一致性组：

看模型是不是「真的会」

它关注的是：同一种能力，模型在不同问法、不同粒度、不同侧面上，能不能都保持稳定。

举个简单的例子：如果一个模型真的具备空间理解能力，那它不仅应该能回答「物体在哪里」，也应该能回答「它和另一个物体的相对位置如何变化」。

推理连贯性组：

看模型是不是「真正在推理」

它关注的是：当一个复杂问题需要多步推理时，模型能不能沿着合理的逻辑链条，一步一步走到结论。

比如，在一个复杂剧情视频里，模型可能需要先发现一个关键视觉线索，再识别异常细节，再推断人物目的，最后才能得出结论。

如果中间某一环错了，最终即使「碰巧选对了」，这种正确也不能算作真正可信的推理。

为了和组级评测相配套，Video-MME团队进一步采用了非线性评分机制。这也是Video-MME-v2代表性的设计之一。

对于能力一致性组，四道相关问题不是简单平均，而是采用激励计分（一个Group里答对越多奖励也多）。这意味着：零散地答对几道题，并不能拿到很高分；只有当模型在同组问题中保持稳定表现，分数才会真正上来。

对于推理连贯性组，则是进一步采用「首错截断」机制。即，一旦某一步做错，后面即使答对，也不再计分。

为什么说它更难，也更可信？

一个Benchmark的说服力，不只在于「设计巧」，也在于「数据够不够扎实」。

团队严格把控Video-MME-v2的数据源、标注流程、质检标准等各方面，投入了极高的人力成本。

数据集最终包含800个视频、3200个问题；共有12名标注者和50位独立审核人员参与，经过5轮交叉审核与闭环修订，累计投入超过3300人工时。更多细节请查看主页和技术报告。

评测结果如何？

在主榜结果中，人类的组级非线性得分达到90.7，平均准确率达到94.9；而当前表现最好的商业模型Gemini-3-Pro，组级非线性得分为49.4。

开源模型中，Qwen3.5-397B-A17B-Think（512 frames），组级得分为39.1。

它意味着：哪怕是当前最强的视频模型，在更严格、更强调一致性与连贯性的评测框架下，与人类仍存在巨大的差距。

论文也特别指出，模型从Level 1到Level 3呈现出明显的性能递减，说明高层复杂推理的薄弱，并不只是「推理模块不够强」，而往往是前面的信息聚合和时序建模已经出了问题，最终层层累积，拖垮了复杂理解。

图2 当前评测前10名（完整请查看主页）

非线性评分的优势：

从「答对一道题」到「稳定理解一组问题」

在传统评测中，平均准确率（Avg Acc）是最常用的指标，但它本质上是逐题独立统计的结果，容易受到「零散命中」的影响。

相比之下，团队提出的组级非线性评分（Non-Lin Score），通过对问题之间的结构关系进行建模，更强调模型在同一能力维度下的整体表现，从而能够更真实地刻画模型是否「稳定地理解了视频」。

进一步来看，非线性评分还揭示了模型能力中的一个重要现象：从「单题正确」到「组内稳定正确」之间存在显著能力折损。

为此，团队引入了一个具有解释力的指标——Non-Lin Score/Avg Acc的比值，用于衡量这一折损程度。

实验结果显示，当前最强的模型的比值Gemini-3-Pro的比值约为75%；Doubao-Seed-2.0-Pro的比值约为72%；而部分中小模型（如LLaVA-Video-7B）甚至低至约40%。

比值越低，说明模型越容易出现「组内只能答对部分题」的现象，稳定性与鲁棒性越弱。由此可见非线性打分在真实刻画能力水平、揭示模型鲁棒性方面的优势。

图3 不同模型Non-Lin Sore/Avg Acc的比值结果

一个很值得关注的发现：

Thinking，并不总是有效

在今天的大模型语境下，「Thinking」几乎已经成了默认增强选项。但Video-MME-v2 的一个非常有意思、也非常重要的发现是：Thinking的收益不是无条件成立的，它高度依赖文本线索。

论文实验显示，开启Thinking后，模型在「有字幕」的设定下，通常比在「纯视觉」设定下获得更明显的提升。

例如，Qwen3.5-122B-A10B-Think（64 frames）在无字幕和有字幕设置下，分别带来+3.8/+5.8的提升。这说明，显式文本语义仍然是很多模型完成多步推理时重要的「锚点」。

但另一方面，Thinking也可能带来退化。Qwen3-VL-8B在无字幕设定下出现了-0.6的下降，而KimiVL-16B在整体上出现了-3.3/-3.3的性能回落，在更强调复杂推理的Level 3上，退化甚至达到-4.0/-3.9。

这说明一件事：当前一些模型的「推理增强」，本质上仍然更擅长利用语言线索，而不是稳定地从视觉、音频中抽取支撑推理的证据。一旦文本锚点不足，Thinking不但未必增益，反而可能引入更多噪声。

图4 在有无字幕设定下，是否开启Thinking对模型性能影响

小结

在视频理解的下一阶段，Video-MME-v2想推动的是一次评测理念上的转变，强调真正需要比较的是谁能够在连续、动态、多模态的信息中，像人一样，真正理解正在和已经发生的事情。更多内容和细节请查看主页和技术报告。

作者介绍

Video-MME系列Project Lead为南京大学傅朝友老师：

傅朝友，南京大学模式识别实验室研究员、助理教授、博导，入选中国科协「青年人才托举工程」。

2022年博士毕业于中科院自动化所模式识别实验室。研究方向为多模态内容分析，谷歌学术引用8700余次，两篇一作单篇引用过千次，六篇一作单篇引用过百次。

开源项目累计获得2万余次GitHub Stars，代表性工作包括VITA多模态大模型系列（VITA-1.0/-1.5、Long-VITA、VITA-Audio），MME多模态评测基准系列（MME、Video-MME、MME-RealWorld）和Awesome-MLLM社区等。

担任Pattern Recognition/IEEE T-BIOM期刊编委、ICLR/ICML会议领域主席、CSIG青工委委员、CCF-AI/-CV专委会执行委员。

曾获小米青年学者-科技创新奖、华为紫金学者、世界人工智能大会云帆奖、中科院院长特别奖、IEEE Biometrics Council Best Doctoral Dissertation Award、北京市优博、中科院优博、CVPR 2023 Outstanding Reviewer。

文章来自于"新智元"，作者 "YHluck"。