北京時(shí)間2025年6月4日，來自中國科學(xué)院自動化研究所認(rèn)知與智能決策復(fù)雜系統(tǒng)重點(diǎn)實(shí)驗(yàn)室和中國科學(xué)院大學(xué)人工智能學(xué)院的朱柯健、金卓然、袁宏邦、李佳淳等研究團(tuán)隊(duì)，聯(lián)合清華大學(xué)的涂尚清，在arXiv預(yù)印本平臺發(fā)布了一項(xiàng)名為"MMR-V: What's Left Unsaid? A Benchmark for Multimodal Deep Reasoning in Videos"的研究成果。這項(xiàng)研究針對當(dāng)前多模態(tài)大語言模型在視頻推理能力上的不足，提出了一個全新的基準(zhǔn)測試集。有興趣深入了解的讀者可以通過arXiv:2506.04141v1 [cs.CV]訪問完整論文。

想象一下，當(dāng)你看一部懸疑電影時(shí)，導(dǎo)演往往不會直接告訴你誰是兇手，而是通過各種線索引導(dǎo)你自己推理?，F(xiàn)在，人工智能面臨著類似的挑戰(zhàn)——它能否像人類一樣，通過分析視頻中分散在不同時(shí)間點(diǎn)的線索，得出合理的結(jié)論？這正是這項(xiàng)研究要解決的核心問題。

近年來，人工智能在文本推理方面取得了顯著進(jìn)步。OpenAI的o1和Deepseek-R1等模型通過強(qiáng)化學(xué)習(xí)大幅提升了文本推理能力。與此同時(shí)，像o3和o4-mini這樣的模型在圖像推理任務(wù)上也表現(xiàn)出色，它們能夠?qū)⒁曈X信息整合到推理過程中，進(jìn)行深度反思和證據(jù)挖掘。然而，當(dāng)前的研究主要集中在圖像上，對更具挑戰(zhàn)性的視頻推理任務(wù)探索有限。

視頻天然包含連續(xù)且更豐富的多模態(tài)信息，需要模型在長距離、多幀之間進(jìn)行推理和證據(jù)挖掘?？紤]到這種能力對實(shí)際應(yīng)用如具身智能和智能安防監(jiān)控至關(guān)重要，研究團(tuán)隊(duì)提出了一個關(guān)鍵問題：當(dāng)前的多模態(tài)大語言模型能否像在圖像任務(wù)上那樣，在復(fù)雜視頻上進(jìn)行深度多模態(tài)推理和證據(jù)挖掘？

現(xiàn)有的視頻基準(zhǔn)測試集主要關(guān)注感知和理解任務(wù)，這些任務(wù)通常只需要定位問題中提到的幀（稱為"問題幀"）并理解相鄰幀。例如，注意到男孩被金屬框架撞到就足以理解為什么他會撞到女孩。這類任務(wù)不足以評估多模態(tài)推理能力。研究團(tuán)隊(duì)總結(jié)了現(xiàn)有基準(zhǔn)測試集的局限性：一是即使對于長視頻，現(xiàn)有任務(wù)通常只依賴于幾個相鄰幀，未能充分利用視頻的長距離序列結(jié)構(gòu)；二是缺乏推理，許多問題可以通過直接感知回答；三是任務(wù)不現(xiàn)實(shí)，簡單的感知和相鄰幀理解任務(wù)不符合對AI系統(tǒng)強(qiáng)大能力的實(shí)際需求。

為了彌補(bǔ)這些不足，研究團(tuán)隊(duì)提出了MMR-V基準(zhǔn)測試集，它具有以下特點(diǎn)：一是長距離、多幀推理，任務(wù)涉及在非相鄰視頻幀上進(jìn)行多模態(tài)推理，以定位和分析多個證據(jù)；二是超越感知，問題不能通過問題幀的直接感知來回答，需要推理和提取隱含含義；三是可靠性，所有任務(wù)都經(jīng)過人工標(biāo)注，并通過參考最受歡迎的視頻評論來降低主觀偏見；四是迷惑性，研究團(tuán)隊(duì)采用精心設(shè)計(jì)的標(biāo)注策略，創(chuàng)建模型對齊的干擾選項(xiàng)，確保測試的挑戰(zhàn)性。

研究團(tuán)隊(duì)受認(rèn)知和心理學(xué)理論的啟發(fā)，將MMR-V中的任務(wù)分為隱式推理和顯式推理兩大類。兩者的關(guān)鍵區(qū)別在于問題是否需要超越表面信息來推斷潛在含義。顯式推理被定義為可以使用視頻中可感知信息解決的問題，比如注意到手中隱藏了兩個打火機(jī)。隱式推理則需要提取和解釋視覺信息背后的潛臺詞，例如，推斷女孩房間號碼7象征好運(yùn)。這更像是對情商（EQ）的評估，測試模型是否能像人類一樣，利用對世界知識的深刻理解進(jìn)行隱式和潛意識推理。

MMR-V包含317個視頻和1257個任務(wù)。視頻跨越六個主要類別，長度從7秒到3771秒不等，平均為277秒。任務(wù)進(jìn)一步分為10個類別和子類別，每個任務(wù)采用多項(xiàng)選擇格式，平均約有10個選項(xiàng)。任務(wù)通常需要推理平均12個視頻幀，覆蓋約60%的視頻時(shí)長。所有問題和正確答案都經(jīng)過人工標(biāo)注和審核，干擾項(xiàng)則使用精心設(shè)計(jì)的標(biāo)注策略生成。

研究團(tuán)隊(duì)評估了9個專有模型和11個開源模型在MMR-V上的表現(xiàn)。結(jié)果顯示，即使表現(xiàn)最好的模型o4-mini也只達(dá)到了52.5%的準(zhǔn)確率，突顯了MMR-V對當(dāng)前多模態(tài)大語言模型的重大挑戰(zhàn)。主要發(fā)現(xiàn)包括：一是多模態(tài)推理挑戰(zhàn)，研究發(fā)現(xiàn)推理增強(qiáng)策略（如思維鏈和擴(kuò)展測試時(shí)計(jì)算）帶來的改進(jìn)有限，表明MMR-V對當(dāng)前多模態(tài)推理模型提出了更大的挑戰(zhàn)；二是更多模態(tài)會帶來好處，研究發(fā)現(xiàn)對于支持所有模態(tài)的模型，添加額外的音頻模態(tài)會提高性能；三是人類-模型差距，在人類實(shí)驗(yàn)中，研究團(tuán)隊(duì)發(fā)現(xiàn)雖然模型在文本推理任務(wù)上表現(xiàn)出人類水平的性能，但在多模態(tài)特別是視頻推理任務(wù)上，模型與人類之間仍存在顯著差距。

現(xiàn)在，讓我們深入了解MMR-V的任務(wù)類別和具體內(nèi)容。

一、隱式推理任務(wù)：探尋表象背后的含義

隱式推理關(guān)注的是如何將視覺信息背后的隱藏含義納入推理過程。在這些任務(wù)中，表面的視覺線索往往隱藏著更深層次的含義，如隱喻。對人類來說，隱式推理往往基于經(jīng)驗(yàn)和世界知識自動快速完成，幾乎不需要刻意的注意力資源。

隱式推理任務(wù)分為五個主要類別：隱喻理解、主題理解、情感識別、評論匹配和隱式符號。

隱喻理解任務(wù)要求模型理解實(shí)體或環(huán)境的隱喻。例如，在一個視頻中，模型需要解釋棕色外套象征什么。正確的答案是它象征著父親在困難時(shí)期保護(hù)家人。

主題理解任務(wù)評估模型推斷作者通過整個視頻傳達(dá)的主要觀點(diǎn)和態(tài)度的能力。例如，模型需要回答視頻暗示的社會問題是什么，正確答案可能是"人們在購買房屋時(shí)面臨巨大壓力，因?yàn)樵谒麄兇驽X的同時(shí)房價(jià)不斷上漲"。

情感識別任務(wù)評估模型分析視頻中人物情感狀態(tài)的能力，以及更高層次的情感，如作者的態(tài)度和觀眾的情感反應(yīng)。例如，分析一個失去工作的男人最終是否快樂，需要通過觀察他在不同時(shí)間點(diǎn)的表情和行為來推斷。

評論匹配任務(wù)測試模型是否能預(yù)測視頻最合適的觀眾評論。例如，根據(jù)觀看視頻后選擇哪條評論最幽默。這要求模型理解幽默等隱含信息，這對人類來說很容易但對AI模型卻很具挑戰(zhàn)性。

隱式符號任務(wù)測試模型是否能推斷和分析視頻表面視覺元素下隱藏的文化特征，如國籍、節(jié)日、習(xí)俗或宗教等。例如，推斷視頻拍攝地點(diǎn)的民族特征。

二、顯式推理任務(wù)：挖掘視頻中的客觀證據(jù)

顯式推理評估模型是否能基于跨越視頻長距離、多幀明確呈現(xiàn)的多模態(tài)細(xì)節(jié)進(jìn)行推理。雖然解決這些任務(wù)需要精細(xì)的感知和嚴(yán)格的邏輯推理，但所有信息都是客觀存在的，不像隱式推理那樣需要理解潛在含義。

顯式推理任務(wù)包括因果推理、序列結(jié)構(gòu)推理、反直覺推理、跨模態(tài)轉(zhuǎn)移推理以及視頻類型和意圖等五個類別。

因果推理任務(wù)評估模型推理視頻中因果關(guān)系的能力。比如，在一個視頻中推斷女孩制作賀卡的原因，可能是為了探望生病的男友并祝他早日康復(fù)。

序列結(jié)構(gòu)推理任務(wù)評估對視頻編輯和敘事結(jié)構(gòu)的推理。例如，判斷視頻是否倒放，或者分析視頻中的關(guān)鍵連接元素。這類任務(wù)往往需要跨多個視頻片段進(jìn)行分析比較。

反直覺推理任務(wù)評估分析與常識相悖信息的能力，需要詳細(xì)的跨幀分析。例如，分析魔術(shù)師如何使物體消失的原理，這往往涉及魔術(shù)技巧或特效編輯。

跨模態(tài)轉(zhuǎn)移推理任務(wù)測試將推理從視頻轉(zhuǎn)移到文本、音頻、視頻或圖像的能力。例如，找出與視頻主題具有相同含義的名言。

視頻類型和意圖任務(wù)測試分析視頻類型（如商業(yè)廣告、科幻電影、喜劇等）的能力，以及推斷視頻制作意圖。

三、MMR-V的構(gòu)建過程：確?；鶞?zhǔn)測試的質(zhì)量與挑戰(zhàn)性

為確保MMR-V能有效評估多模態(tài)推理能力，研究團(tuán)隊(duì)遵循三個原則：一是多幀，問題需要參考長距離、多幀信息，促使模型跨多個視覺線索進(jìn)行推理；二是深度推理，答案不應(yīng)從視頻中直接感知，而應(yīng)要求理解潛臺詞或多模態(tài)推理，反映對內(nèi)容的深刻理解；三是現(xiàn)實(shí)性，任務(wù)應(yīng)與現(xiàn)實(shí)世界問答需求一致，確保答案符合普通用戶理解，不受個人認(rèn)知偏見或偏見的影響。

在視頻收集方面，研究團(tuán)隊(duì)手動篩選了多樣化的原創(chuàng)視頻，并設(shè)計(jì)了以下檢查清單：避免線性、描述性內(nèi)容，如日常記錄或體育廣播；選擇創(chuàng)意和主題豐富的視頻，這些視頻通常由創(chuàng)作者有意設(shè)計(jì)和編輯，往往傳達(dá)精心設(shè)計(jì)的主題；與現(xiàn)實(shí)世界對齊，優(yōu)先選擇具有活躍評論區(qū)和觀眾參與度的高人氣視頻；多樣化覆蓋，確?；鶞?zhǔn)測試在視頻類型、主題和時(shí)長方面具有廣泛覆蓋，反映真實(shí)世界視頻內(nèi)容的多樣性。

在數(shù)據(jù)標(biāo)注方面，MMR-V中的所有任務(wù)都采用多項(xiàng)選擇格式設(shè)計(jì)，每個任務(wù)有一個正確選項(xiàng)和多個錯誤選項(xiàng)。為確保這些干擾項(xiàng)的質(zhì)量和合理性，研究團(tuán)隊(duì)設(shè)計(jì)了三種不同的干擾項(xiàng)標(biāo)注策略：策略1，提示強(qiáng)大的模型GPT-4o直接回答人工標(biāo)注的問題，如果模型生成不正確答案（經(jīng)人工驗(yàn)證），則保留為高質(zhì)量干擾項(xiàng)；策略2，給定人工標(biāo)注的問題和正確答案，提示GPT-4o生成干擾項(xiàng)；策略3，人工標(biāo)注者手動構(gòu)建干擾項(xiàng)。

研究團(tuán)隊(duì)對100個問題進(jìn)行了測試，使用三種策略形成三個測試集。結(jié)果顯示，策略1生成的干擾項(xiàng)最具迷惑性，顯著增加了任務(wù)的難度和質(zhì)量。值得注意的是，在上述測試過程中，當(dāng)GPT-4o直接回答100個任務(wù)時(shí)，經(jīng)人類驗(yàn)證的準(zhǔn)確率僅為17%，這反映了當(dāng)前模型在多模態(tài)推理能力上的局限性。

為確保高質(zhì)量，研究團(tuán)隊(duì)還根據(jù)構(gòu)建原則開發(fā)了一個檢查清單，并邀請人類標(biāo)注者使用該清單驗(yàn)證任務(wù)的準(zhǔn)確性和難度。研究團(tuán)隊(duì)邀請了至少具有學(xué)士學(xué)位的五名標(biāo)注者參與標(biāo)注和審查過程。

四、實(shí)驗(yàn)結(jié)果與分析：揭示當(dāng)前模型的局限與未來方向

在實(shí)驗(yàn)設(shè)置方面，研究團(tuán)隊(duì)對9個專有模型和11個開源模型進(jìn)行了廣泛評估。主要實(shí)驗(yàn)在兩種設(shè)置下進(jìn)行：零樣本和零樣本+思維鏈（CoT），以檢驗(yàn)推理是否能提高性能。此外，研究團(tuán)隊(duì)還引入了以下類別的比較模型：不同規(guī)模的模型，以及"思考"模型及其基礎(chǔ)版本（如Gemini-2.0-Flash和Gemini-2.0-Flash-Thinking）。

對于支持全模態(tài)輸入的模型（如Gemini-2.0-flash），研究團(tuán)隊(duì)進(jìn)一步比較了它們有無音頻輸入的性能，以評估音頻對推理結(jié)果的影響。在幀選擇方面，由于某些模型僅支持多個圖像或短視頻剪輯，研究團(tuán)隊(duì)標(biāo)準(zhǔn)化了輸入幀的數(shù)量，并在附錄中提供了幀采樣的詳細(xì)信息。

為了提供MMR-V的有意義上限并檢驗(yàn)人類-模型差距，研究團(tuán)隊(duì)邀請了至少具有學(xué)士學(xué)位的參與者進(jìn)行人類實(shí)驗(yàn)。研究團(tuán)隊(duì)抽樣了GPT-4o回答錯誤的100個任務(wù)和回答正確的100個任務(wù)進(jìn)行實(shí)驗(yàn)。

主要實(shí)驗(yàn)結(jié)果表明，MMR-V基準(zhǔn)測試對當(dāng)前多模態(tài)大語言模型提出了重大挑戰(zhàn)。即使表現(xiàn)最好的模型o4-mini也只達(dá)到52.5%的準(zhǔn)確率。在開源模型中，Gemma-3-27b-it表現(xiàn)最佳，展示了相對較強(qiáng)的性能，但與專有模型相比仍存在差距。

研究還發(fā)現(xiàn)，當(dāng)前在文本領(lǐng)域相對有效的推理增強(qiáng)策略，如CoT提示推理和擴(kuò)展測試時(shí)計(jì)算（即"思考"模型），在MMR-V上提供的收益有限。CoT僅帶來0.57%的平均增益，而"思考"模型僅提高2.4%。這表明MMR-V對現(xiàn)有模型的多模態(tài)推理能力提出了重大挑戰(zhàn)。

通過對抽樣模型響應(yīng)的分析，研究團(tuán)隊(duì)發(fā)現(xiàn)視覺分析僅占CoT的約10%。這表明當(dāng)前模型的推理過程主要基于文本（對問題和選項(xiàng)的推理），依賴于對問題幀的視覺感知，而非將視覺推理和證據(jù)挖掘整合到CoT中。這種局限阻礙了整體推理性能。

模型在MMR-V基準(zhǔn)測試上的表現(xiàn)展現(xiàn)出明顯的擴(kuò)展法則效應(yīng)。在相同架構(gòu)下，較小的模型在需要復(fù)雜推理的任務(wù)上表現(xiàn)較差。例如，較大的模型如Qwen2.5-VL-72B（39.1%）和GPT-4o（44%）優(yōu)于它們的較小版本Qwen2.5-VL-7B（30.1%）和GPT-4o-mini（34.8%），相對增益分別為9%和9.2%。

在不同任務(wù)類型上，研究團(tuán)隊(duì)發(fā)現(xiàn)模型在隱式任務(wù)上的表現(xiàn)優(yōu)于顯式任務(wù)（平均增益+7.9%）。通過對任務(wù)和模型響應(yīng)的分析，研究團(tuán)隊(duì)發(fā)現(xiàn)在隱式任務(wù)中，視頻創(chuàng)作者通常在整個視頻中嵌入隱含含義，產(chǎn)生豐富的視覺線索支持推理。這減少了對多模態(tài)推理和線索定位的要求。相比之下，顯式任務(wù)需要更精細(xì)的推理和識別特定證據(jù)的能力。

模型在反直覺推理（CIR）、序列結(jié)構(gòu)推理（SSR）和評論匹配（CM）任務(wù)上表現(xiàn)特別差。對于CIR和SSR任務(wù)，糟糕的表現(xiàn)主要源于當(dāng)前模型執(zhí)行多幀推理的能力有限。這兩類任務(wù)需要模型在長距離視頻上進(jìn)行推理，而非依賴內(nèi)部知識。然而，模型往往依賴問題幀的表面視覺感知，然后對問題和選項(xiàng)進(jìn)行文本推理，而非分析定位其他幀中的證據(jù)。對于CM任務(wù)，結(jié)果突顯了模型與人類在隱式推理能力上的顯著差距。雖然人類可以在最少認(rèn)知努力的情況下推斷幽默和情感等潛在信息，但當(dāng)前模型始終無法捕捉這些微妙之處。

人類實(shí)驗(yàn)結(jié)果顯示，人類平均得分為86%，這突顯了人類-模型之間的顯著差距。雖然研究表明模型在文本任務(wù)上達(dá)到了人類水平的表現(xiàn)，但在多模態(tài)推理任務(wù)上，模型仍然落后。人類可以輕松識別視頻中的線索，而模型往往專注于問題幀，而不是探索其他證據(jù)幀。特別是，與模型不同，人類在隱式任務(wù)上表現(xiàn)略差，這主要是由于藝術(shù)和哲學(xué)中高度抽象的隱式理解所帶來的挑戰(zhàn)。

在輸入幀數(shù)量的影響方面，研究團(tuán)隊(duì)對支持長視頻輸入的Gemini-2.0-Flash評估了隨著幀數(shù)增加而性能變化的情況。如圖4所示，準(zhǔn)確率隨幀數(shù)增加而提高，但改善率逐漸放緩。通過對CoT的采樣和觀察，研究團(tuán)隊(duì)發(fā)現(xiàn)初始增益來自添加證據(jù)幀，而放緩主要是由于模型多幀推理能力有限。隱式任務(wù)的性能在后期階段繼續(xù)提高，因?yàn)榇祟惾蝿?wù)的視覺線索通常分散在整個視頻中；更多幀往往提供更多線索。相比之下，顯式線索更少且更局部化。

對于支持全模態(tài)輸入的模型，研究團(tuán)隊(duì)比較了它們在添加音頻模態(tài)前后的性能。如表4所示，整體性能隨著音頻的添加而提高。具體來說，Gemini 2.0-Flash、Gemini 2.0-Flash-Thinking和Phi-4-multimodal-instruct分別提高了1.4%、1.0%和1.0%。這表明推進(jìn)全多模態(tài)模型研究是一個有前景的方向。

為了深入了解模型的錯誤來源，研究團(tuán)隊(duì)對GPT-4o的100個錯誤響應(yīng)進(jìn)行了采樣分析。錯誤的主要來源可歸類為：缺乏視覺推理，模型常常無法定位正確的證據(jù)幀，缺乏長距離、多幀視覺推理；隱式誤解，揭示了模型與人類認(rèn)知之間的顯著理解差距；知識不足，模型缺乏一些內(nèi)在知識；推理錯誤，在多步推理過程中出現(xiàn)錯誤；輸出格式問題，模型拒絕或格式錯誤阻止了答案提?。换糜X，模型引入了虛假或不支持的信息。

在錯誤案例中，缺乏視覺推理占比最大。這表明當(dāng)前模型仍然缺乏真正的多模態(tài)推理能力。它們往往在簡單感知問題幀相鄰幀后依賴于基于文本的推理，而不是進(jìn)行深度、長距離、多幀視頻推理。大多數(shù)現(xiàn)有推理模型在將多模態(tài)信息整合到推理過程中并進(jìn)行全面分析方面仍然不足。相比之下，o4-mini展示了更好的推理范式。

研究團(tuán)隊(duì)進(jìn)一步分析了模型的CoT，將每個步驟分類為視頻或文本分析（如選項(xiàng)），視頻分析又分為問題幀和其他幀分析。研究團(tuán)隊(duì)從模型中采樣了500個CoT，將每個CoT分為10個等長片段，并使用GPT-4.1標(biāo)記每個片段。如圖6所示，MMR-V上表現(xiàn)更好的模型（圖中右側(cè)）顯示更多的視頻分析，特別是對其他幀（紅線）的分析。值得注意的是，4o-mini以其對非問題幀的強(qiáng)大分析能力脫穎而出，突顯了增強(qiáng)視覺推理和工具使用在多幀視頻推理任務(wù)中的價(jià)值。

五、MMR-V在現(xiàn)有研究中的定位與貢獻(xiàn)

現(xiàn)有的視頻基準(zhǔn)測試主要關(guān)注評估模型對視頻中視覺元素的感知和直觀理解，如動作識別和視頻描述。近期的重要工作，如Video-MME、MVBench和MMBench-Video，已經(jīng)將視頻理解擴(kuò)展到多種任務(wù)類型和視頻類型，實(shí)現(xiàn)了對視頻理解能力的更全面評估。此外，LVBench和LongVideoBench等基準(zhǔn)測試引入了長視頻問答任務(wù)。然而，這些任務(wù)主要評估模型是否能根據(jù)給定問題準(zhǔn)確提取長視頻中的相關(guān)信息，而后續(xù)步驟仍然主要是感知導(dǎo)向的。MMR-V的設(shè)計(jì)目的是評估模型是否能夠基于給定問題在視頻上執(zhí)行多幀、長距離、多模態(tài)自主推理。

近期的研究大大提升了LLM的推理能力。許多頂級LLM在復(fù)雜推理任務(wù)上表現(xiàn)良好，但它們的評估主要集中在基于文本的推理上。MLLM在這方面仍缺乏全面評估。當(dāng)前的多模態(tài)推理基準(zhǔn)測試主要涉及以圖像形式呈現(xiàn)的數(shù)學(xué)或編碼任務(wù)，這主要測試視覺識別后的文本推理。真正的多模態(tài)推理需要整合深度、紋理和音頻等細(xì)節(jié)進(jìn)行復(fù)雜推理。MMR-V基準(zhǔn)測試旨在評估視頻任務(wù)中的多模態(tài)序列推理。

六、結(jié)論與未來展望

研究團(tuán)隊(duì)提出的MMR-V：視頻多模態(tài)深度推理基準(zhǔn)測試為評估模型在視頻內(nèi)容上的推理能力提供了一個新的視角。所有任務(wù)都由人類專家標(biāo)注，并設(shè)計(jì)用于評估多模態(tài)推理能力。MMR-V對當(dāng)前模型提出了重大挑戰(zhàn)，最佳模型性能仍比人類低33.5%的準(zhǔn)確率。這突顯了人類和模型在解釋和推理視頻信息方面的差距。

值得注意的是，o4-mini在MMR-V上取得了最佳結(jié)果，這表明將視覺推理整合到CoT中并利用工具使用是解決視頻推理任務(wù)的有前景方向。研究團(tuán)隊(duì)希望MMR-V能作為評估MLLM發(fā)展的可靠基準(zhǔn)測試，并為推進(jìn)多模態(tài)推理研究提供有價(jià)值的見解。

這項(xiàng)研究不僅揭示了當(dāng)前模型在視頻多模態(tài)推理方面的局限性，也為未來的研究指明了方向。隨著技術(shù)的發(fā)展，我們可以期待AI系統(tǒng)在理解和推理復(fù)雜視頻內(nèi)容方面取得更大突破，最終縮小與人類認(rèn)知能力之間的差距。