挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2

• 论文：https://arxiv.org/pdf/2604.05015
• 主页：https://video-mme-v2.netlify.app/
• MME-Survey: https://arxiv.org/pdf/2411.15296

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。

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。

一、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。

1. 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。

2. 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。

3. 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

二、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。

1. 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”。

2. 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。

三、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。

四、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）

五、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

六、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。

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"机器之心"，作者 "机器之心"。