TemporalCook: Benchmarking Temporal and Procedural Reasoning in Multimodal Large Language Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multimodal large language models (MLLMs) have demonstrated impressive capabilities in integrating visual and textual information, with visual question answering (VQA) serving as a central task for evaluation. However, existing VQA datasets primarily target inference from static visual cues or factual content, leaving temporal and procedural reasoning underexplored. While video question answering allows for temporal understanding by providing access to full video sequences, in many real-world scenarios only a single image is available. To address this gap, we introduce TemporalCook, a new benchmark constructed from the YouCookII instructional video dataset that requires models to predict procedural and temporal outcomes based on static images in the cooking domain. To further augment temporal reasoning capabilities, we supplement the benchmark with external instructional videos. We also present two retrieval-augmented generation (RAG) baselines, leveraging either curated video knowledge source or open-domain retrieval from online video resources. We report a benchmark scoreboard for leading commercial and open-source multimodal models on TemporalCook, and evaluate the effectiveness of retrieval-augmented generation baselines. TemporalCook and these baselines provide a foundation for future research in temporal VQA and open new directions for developing retrieval-augmented solutions in temporally grounded multimodal tasks. The benchmark and evaluation code are publicly available at https://github.com/mrzarei5/TemporalCook.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle